高維多目標進化算法研究與應用.pdf

1、目前高維多目標優(yōu)化方法的研究與應用已經深入到了生產和科研的多個領域，已成為信息領域的研究熱點?，F(xiàn)有的基于寬松Pareto支配的高維多目標優(yōu)化算法存在參數(shù)難以確定、搜索易發(fā)生偏移的缺陷，而且當目標數(shù)較多時所求得的Pareto近似解集存在收斂性不佳、分布不均勻、覆蓋不完整等問題，且計算復雜?；诜纸獾亩嗄繕诉M化算法在求解高維多目標優(yōu)化問題上具有卓越的收斂能力，但近似解集的分布性容易受到Pareto前沿面形狀的影響，存在分布不均勻的缺陷，且當

2、目標數(shù)量很多時，求解效果下降。因此，研究更為高效且實用的高維多目標進化算法具有重要的理論意義和潛在的實際應用價值。
　　本文旨在通過對高維多目標優(yōu)化內在機制的深入研究和剖析，針對進化算法在解決高維多目標優(yōu)化問題上存在的缺陷，提出一系列改進措施，使改進的高維多目標進化算法在各類優(yōu)化問題上的求解性能得到全面提升，并將改進后的算法應用于實際工程優(yōu)化問題。論文的主要研究內容包括以下幾個方面。
　　為更好地求解目標數(shù)較少而前沿較復雜的

3、高維多目標優(yōu)化問題，將模糊理論引入到精英選擇當中，提出了一種基于模糊支配的高維多目標進化算法(MFEA)。首先，利用模糊邏輯對支配關系進行改進，實現(xiàn)放寬支配條件，進而增強環(huán)境選擇壓力；其次，利用小生境技術和k鄰域法對Harmonic距離進行改進，以有效鄰域內的擁擠度來衡量個體在種群中的分布性，以較小的計算量實現(xiàn)個體擁擠密度快速、有效地估計；最后，采用截集的方式實現(xiàn)種群的快速非支配排序分層截斷，以第一層中的個體保證種群的收斂性，以除第一層

4、外其它層中的個體保證種群的分布性。數(shù)值試驗結果證實了改進方法的有效性。
　　為更好地求解目標數(shù)量較多而前沿形狀較簡單的高維多目標優(yōu)化問題，通過設計自適應方向向量實現(xiàn)對個體運動軌跡和搜索方向的控制，提出了一種基于自適應方向向量的分解類高維多目標進化算法(MOEA/D-AD)。通過選取不同的指數(shù)使方向向量前端曲面具有不同的形狀，以適應Pareto前沿面不同的凹凸情況。在進化過程中，方向向量定期地自適應調整：首先，通過方向向量的再分配，

5、校準子問題方向向量與解之間的位置關系，移除處于不連續(xù)區(qū)域的子問題；其次，利用稀疏區(qū)域的非支配解進行反映射，在可行稀疏區(qū)域加入新的方向向量；最后，在不同的進化階段，采用不同的評判準則對分解子問題集合進行重構，獲得在可行區(qū)域內均勻分布的分解子問題集合。數(shù)值實驗結果證實了改進方法的有效性。
　　為更好地求解目標數(shù)量較多、目標函數(shù)和Pareto前沿面較復雜的高維多目標優(yōu)化問題，將多目標分解技術與精英選擇策略相結合，提出了一種基于多種群的高

6、維多目標混合進化算法(MOHEA-AMD)。以切比雪夫分解技術解決目標數(shù)量多的問題，以精英選擇策略解決前沿形狀復雜的問題，并設計了多種群混合進化機制加強在各方向上和方向間的搜索能力，增強算法對復雜目標的求解能力。數(shù)值實驗結果證實了改進方法的有效性。
　　將改進后的3種高維多目標進化算法分別用于相應類型的大型船舶主尺度設計、MIMO雷達正交發(fā)射波形多相序列設計以及水路兩棲可變形機器人參數(shù)優(yōu)化三個高維多目標優(yōu)化問題，以改善現(xiàn)有的設計方