论文部分内容阅读
在过去几年里，分解多目标进化算法（the decomposition-based multiobjective evolutionary algorithm, M O E A/D)在进化计算领域备受关注。M O E A/D在一系列现实问题中得到了成功应用。本文针对MOEA/D及其变体普遍存在的缺点，提出了几种方法来克服这些缺点以提高MOEA/D算法性能。本文主要贡献包括以下几个方面： 1.由于传统分解方法不是针对基于种群的优化算法设计的，在MOEA/D中直接使用这些分解方法可能不适合一些多目标优化问题￡the multiobjective optimization problems, M O P)。为了克服传统分解方法的缺陷，提出了一种新的分解方法一一约束分解方法。对比分析了约束分解方法与传统分解方法在一组测试问题上的差异。在这组测试问题上的实验研究表明MOEA/D使用所提分解方法相比于使用传统分解方法能更好地平衡种群收敛性和多样性。对比实验证明了所提MOEA/D变体优于其他变体。 2.对于一些多目标优化问题，事先确定约束分解方法中的约束程度比较困难。为了克服该困难，提出了一种自适应在线调整约束策略以保留种群多样性。在该策略中，首先定义了每个子问题保留解的偏离程度。然后，使用所有子问题保留解的平均偏差来度量种群多样性。使用这些指标来决定如何惩罚约束。一系列实验结果证明了所提策略的有效性。 3.为了求解一些困难的多目标优化问题，提出了一种问题变换方法。一些多目标优化问题的Pareto前沿（P F)形状会引起MOEA/D算法求解难度。所提问题变换方法能改变PF形状，使得变换后的新问题更容易被MOEA/D求解。我们理论研究了所提问题变换方法并使用一些测试问题测试了其有效性。此外，我们还说明了所提问题变换方法能够嵌入决策者偏好，这在求解超多目标优化问题时十分重要。 4.提出了一种混合MOEA/D算法，即MOEA/D加入了一种基于梯度的局部搜索算子。在该算子中，当使用最速下降方向作为搜索方向时，为了平衡种群收敛性和多样性，提出了动态调整步长策略。该局部搜索算子的使用频率也随着迭代动态调整。此外，在该算子中，当局部搜索失败时，使用了二次插值方法来获得近似最优解。对比MOEA/D-DRA的实验结果表明了所提混合算法的有效性"。