论文部分内容阅读
目前多目标优化算法在工程优化领域中的应用展现出了其高效的计算能力及优异的算法性能。多目标优化算法虽然取得了巨大的进展，但是，工程优化设计的复杂化对多目标优化算法的求解能力提出了更高的要求。鉴于多目标优化算法基于群体智能思想，且受到进化规模的影响需要进行大量的函数评价计算，限制了其在模型复杂度高或模型求解耗时的高价多目标问题中的应用。基于代理模型技术的多目标优化算法为求解此种类型的高价多目标问题提供了一种行之有效的路径。在优化过程中，如何挑选有效的校正点修正近似代理模型的精度是保证算法收敛的前提。故文章针对基于代理模型技术的多目标进化算法进行了相关研究。 首先，本文提出了一种基于模糊聚类改进的多目标进化算法FCEA，以提高代理模型技术与多目标进化算法结合后探索最优解的能力。在寻优过程中，采用模糊 C均值聚类技术探索种群的分布结构，对种群进行模糊划分，设计了基于模糊聚类隶属度的锦标赛选择机制MBTS，用隶属度比较替换适应度比较从种群中选择相似度高的父代个体进行重组，避免了父代个体选择过程中适应值的计算，在一定程度上减少了函数评价次数。基于标准测试用例的算法性能实验分析显示，FCEA具有相对优异的求解性能，MBTS能够提高算法求解多目标问题的能力。 然后，本文借鉴MOEA/D-EGO的校正点选择策略，基于Pareto支配原理设计了一种基于EI支配的校正点选择机制，提出了一种基于Kriging模型的高价多目标优化算法FCEA-EGO。在校正点选择过程中，将个体的多个EI值基于EI支配转化为单一的ParEI值，选择ParEI值最小的个体作为校正点对代理模型进行修正。基于标准测试用例的算法性能实验分析显示，相比MOEA/D-EGO、SMS-EGO、ParEGO三种典型的高价多目标优化算法，FCEA-EGO算法的求解性能优异。 最后，基于FCEA-EGO算法对某轻型飞机的齿轮减速器优化模型进行了运算求解，并与MOEA/D-EGO算法的求解结果进行了比较，结果显示，FCEA-EGO对于齿轮减速器优化问题具有更优异的求解能力，验证了FCEA-EGO算法求解实际工程优化问题的可行性和有效性。