论文部分内容阅读
动态多目标优化问题大量存在于实际生活中,因此,研究动态多目标优化问题具有重要的应用价值。动态多目标优化问题的自身特性使得求解该类问题变得很有难度,因此,研究动态多目标优化问题具有重要的理论价值。由于进化算法在多目标问题上表现突出,应用进化算法求解动态多目标优化问题受到广大学者的关注。在处理动态多目标优化问题的过程中,传统进化算法会遇到两大难题。一个难题是如何增强对新环境的搜索能力,另一个难题是在保持对新环境的搜索基础上如何提高算法的收敛速度。这两大难题是进化算法求解动态多目标优化问题时所遇到的重大挑战。本论文围绕动态多目标优化,分别从动态多目标优化测试函数和动态多目标优化进化算法展开了研究。首先,构造了一组新的动态多目标优化测试函数集。通过对已有测试函数集的研究,本文发现Pareto最优解集形状变化影响着动态多目标测试函数的难易程度。基于Pareto最优解集的不同移动模式,结合Pareto最优解集的不同形状变化,本文设计了Pareto最优解集移动与Pareto最优解集形状变化相结合的一组测试函数集。仿真结果说明,该组测试函数集有利于检测算法的性能。然后,设计了一种基于新动态策略的进化算法来处理动态多目标优化问题。动态策略由重启策略和调整策略组成。重启策略是在环境变化后,先利用少量的新环境的信息预估新环境Pareto最优解集的可能移动方向,然后利用预估的方向以及局部搜索重新初始化群体,使之靠近新环境下的Pareto最优解集,该策略有利于算法快速地应对环境变化。调整策略是在获得更多新环境信息后,调整当前群体,使得当前群体中存在更多的更靠近新环境Pareto最优解集的个体,使算法更快收敛到新的Pareto最优解集。仿真结果表明,在动态多目标优化问题上,和现有的算法相比,该算法很有竞争力。最后,提出了一种混合迁移策略来处理环境变化不可检测的动态多目标优化问题。混合迁移策略包含两个策略:一种是随机迁移策略,有助于保持群体多样性。另一种是基于信息指导的迁移策略,它将上一代和当代的最优解集的差作为指导方向,产生了一些更好的解,进而提升了收敛速度。本文所提出的算法在一些不同的测试函数上进行了测试,实验结果验证了所提算法在保持多样性和跟踪Pareto最优前沿方面的有效性和优越性。