基于进化算法的约束多目标优化问题研究
在实际生活中,存在着数量可观的多目标优化问题,这类问题往往需要同时优化多个目标,且伴随着许多不同性质的约束条件。在解决该问题的众多算法中,多目标进化算法凭借其较强的鲁棒性、全局搜索等优点被广泛应用,因此也引起了越来越多的学者进行研究。
由于约束条件的存在,进化算法需要合理的利用进化过程中产生的可行解和不可行解的信息,引导种群跳过不可行域向最优前沿进化,避免出现陷入局部最优的情况,以此获得较好的收敛性和分布性。因此,本文基于进化算法,选择两种具有代表性的约束处理技术,对算法的收敛性和分布性展开研究。
主要研究内容包括以下三个方面:第一,针对种群寻优过程中出现收敛性和分布性不平衡的问题,提出一种自调节算子及自适应?截断的NSGA-Ⅱ算法。与经典的交叉操作不同,该方法采用正态分布交叉算子,使得算法在具有更广阔搜索空间的情况下,获得较为均匀的子代取值概率,大大减少算法陷入局部最优的情况,起到改善种群多样性的作用。
再通过自适应变异算子,建立起变异值与目标函数值之间的联系,根据进化的程度对变异率进行调整,提高算法的收敛性。最后,通过自适应?截断策略,在算法前 ...