论文部分内容阅读
在实际工程问题中，绝大多数优化问题都是多目标优化问题。一般传统的数学规划算法已经不能满足日益复杂的数学优化模型的需要，而多目标进化算法为解决此类问题提供了行之可效的方法。在面临复杂的多目标NP问题时，目前的一些主流多目标进化算法NSGA-II、SPEA2等在收敛性能方面具有很好的优势，但是在多样性方面仍然具有提升的空间。最近兴起的多目标元胞遗传算法以其良好的收敛性和多样性能引起了学者的关注，该种算法结合了遗传算法具有全局探索优点和元胞自动机具有局部寻优的特点，在一定程度上很好的平衡了算法的全局探索和局部寻优的能力，并通过实验验证了多目标元胞遗传算法的优越性。但是元胞遗传算法涉及了一些人为设置的参数，诸如邻居结构，该参数的设置对算法的性能起着决定性的作用。为了更好的适应各类不同的问题，针对现有多目标元胞遗传算法存在邻居单一的问题，改进了多目标元胞遗传算法。改进的多目标元胞算法在经典多目标元胞遗传算法基础上融入了自适应邻居结构技术，形成了一种多目标自适应元胞遗传算法（AMOCell）。这种技术能使算法随着进化代数的增加，动态地改变元胞邻居的结构，以便找到一个符合个体自身发展的邻居结构，最终使算法在全局探索和局部寻优中达到一个平衡。通过与其它多目标进化算法在基准测试函数对比分析，表明新算法在绝大多数问题中，具有良好的收敛性和扩展性。为了进一步检验改进的多目标元胞遗传算法的效果，将改进后的算法在工程实践问题中进行了应用。采用AMOCell、NSGA-II、MOCell三种算法分别优化“工”字梁结构设计模型、机床主轴优化设计以及减速器的优化设计模型，AMOCell都能得到更好的Pareto前端解。