论文部分内容阅读
动态多目标优化问题广泛存在于工业应用和科学研究中,这类问题不仅具有多个冲突的目标函数,而且其目标函数、目标函数数目或者约束等都可能会随着时间发生变化。在动态多目标优化问题中,不同类型的动态变化可能会导致问题的帕累托最优前沿(Pareto optimal front,PF)和帕累托最优解集(Pareto optimal set,PS)随着时间发生变化,要求动态多目标优化算法能够高效追踪随时间变动的PF和PS,这给求解动态多目标优化问题增加了很大难度。近年来,进化算法被广泛应用于求解动态多目标优化问题,动态多目标进化算法的研究取得了很大的进展。但总体来说,目前动态多目标优化领域的发展仍处于起步阶段,尚有很多的方面需要进行深入的研究,包括贴合实际的动态多目标测试问题集、健壮的动态多目标进化算法、标准的性能指标等。本文主要致力于动态多目标进化算法的研究。通过对现有动态多目标进化算法进行深入分析,结合现有动态多目标测试问题集的变化特点,研究了现有算法在解决动态多目标优化问题上的优势和不足,围绕动态处理策略,提出了两种改进的动态多目标进化算法。具体研究内容如下:1)提出了一种基于记忆与预测混合策略的动态多目标进化算法(Hybrid of memory and prediction strategies,简称为HMPS)。当检测到环境变化时,HMPS会判断新环境变化与历史的环境变化是否相似,设计了两种变化响应机制来分别应对相似变化和不相似的变化。如果新的变化与任何历史的变化都不相似,HMPS根据先前两个连续时间步的种群进化方向,对当前的最优种群在新环境中的位置进行预测;否则,HMPS采用一种由记忆信息驱动的预测策略来预测当前最优种群在新环境中的位置。HMPS充分利用了记忆策略和预测策略的优势来求解动态多目标优化问题。基于FDA、dMOP、F等14个具有不同变化特性的测试问题,将HMPS与PPS、SGEA、MOEA/D-KF等三种先进的动态多目标进化算法进行对比,实验结果表明,HMPS的性能在大多数测试问题上均优于对比算法。2)提出了一种基于自适应探索反馈策略的动态多目标进化算法(Adaptive exploration and feedback strategy,简称为AEFS)。当检测到环境变化时,AEFS首先会基于t时刻种群中的部分个体,采用一些动态处理策略组建探索种群,并在新环境中对探索种群中的个体进行评估,找出探索种群中的非支配个体,这些非支配个体的位置代表着新环境中最优解集的潜在位置。然后,统计探索种群中非支配个体的比例,如果占比大于50%,t时刻种群中的剩余个体都由这些非支配个体引导预测;否则,t时刻种群中的剩余个体不仅需要非支配个体引导预测,同时要引入一些随机个体增加种群的多样性,提升种群的全局搜索能力。AEFS能够根据环境变化自适应的调整动态响应策略,可提高变化响应的质量。基于FDA、dMOP、F等14个具有不同变化特性的测试问题,将AEFS与PPS、SGEA、MOEA/D-KF等三种先进的动态多目标进化算法进行对比,实验结果表明,AEFS的性能在大多数测试问题上均优于对比算法。