论文部分内容阅读
现实世界中存在大量的多目标优化问题(multi-objective optimization problems,MOPs),它们具有多个需要同时优化且相互冲突的目标。与单目标优化不同,多目标进化算法(multi-objective optimization evolutionary algorithms,MOEAs)需要提供一组Pareto最优解集供决策者挑选,因此算法不仅需要保持收敛性,还要提高解集的分布广泛性与分布均匀性,以更好地刻画优化问题的性质,为决策者提供更多的选择。在现实工程应用中,多目标优化问题往往是非线性、高度复杂的。经典的确定性优化方法通常需要满足一些先决条件才能使用,因此限制了其应用的范围。而基于群体搜索的进化算法没有这样的限制条件,且能在这类问题上取得良好的效果。因此研究用进化算法求解多目标优化问题具有很高的现实意义。Pareto支配关系的引入为多目标优化的研究带来了重大的变革。但此类算法通常只能有效求解2–3个目标的优化问题,而在高维多目标优化问题(目标数超过3个)上的效果往往迅速下降,主要原因是Pareto支配关系的支配区域随着目标空间维数的增长呈指数下降导致的。在这种情况下,种群中非支配个体的比率会迅速上升,导致选择机制无法判断个体之间的好坏,从而导致算法无法收敛。现实世界中存在很多高维多目标优化问题,因此高维多目标优化的研究在国内外受到了越来越多的关注。为了提高算法在高维多目标优化问题上的性能,本文提出了一种基于?支配与边界惩罚选择(boundary punishment selection,BPS)的高维多目标进化算法(many-objective evolutionary algorithm based on?-dominance and BPS,?-BPS)。为了确保收敛性与分布广泛性,BPS依次选取靠近不同边界(坐标轴)的精英个体进入下一代。同时,为了保证分布均匀性,BPS将惩罚每个精英个体的邻居(靠近精英的其它个体),使对这些个体的选择延迟至下一轮(BPS可以执行多轮选择)。其次,采用?支配来惩罚精英个体的邻居,在保持分布性的同时有效去除支配抵抗解(dominance resistant solutions,DRSs)。与6种最具代表性的高维多目标进化算法在3–10目标DTLZ系列测试函数上的对比实验结果验证了?-BPS的竞争力。为了降低算法参数设置的难度,本文提出了一种基于边界淘汰选择(boundary elimination selection,BES)与二分查找的高维多目标进化算法(many-objective evolutionary algorithm based on BES and binary search,BESBS)。与BPS类似,BES依次选取靠近不同边界的精英个体进入下一代,并采用?支配来淘汰精英个体的邻居。然而,与BPS不同的是,BES只进行一轮选择,邻近精英个体的其它个体将被直接淘汰,不再有机会被选入下一代。针对?参数难以确定的问题,利用二分查找方法在实数空间内确定合适的?参数。与6种最具代表性的高维多目标进化算法的对比实验结果表明BESBS具有良好的收敛性与分布性。软件框架的设计是进化多目标优化(evolutionary multi-objective optimization,EMO)研究的重要基础。本文提出一种基于C++和Python混合编程的软件框架。由优化模板库(optimization template library,OTL)、PyOTL和PyOptimization三个工程构成。首先,C++工程OTL实现了所有的优化问题、算子、优化算法和评价指标,采用面向对象技术为不同模块构建了统一的接口。OTL采用了C++模板和泛型编程,不仅增加了系统的灵活性,也提高了代码重用率,保证了运行效率。然而相比C++,Python更适合用于构建实验平台。因此PyOTL用于将OTL中的C++代码转换成Python可调用的模块,并完成单元测试,以确保所有模块的正确性。最后,实验平台PyOptimization负责调用这些Python模块开展科学实验,它提供诸如自动批量实验、完整保存实验数据、分布式计算和数据可视化等功能,为多目标优化的研究提供方便。