在具有不同Pareto前沿形状的优化问题上,基于参考点的高维多目标进化算法表现出较差的通用性.为了解决这个问题,提出参考点自适应调整下评价指标驱动的高维多目标进化算法(Many-objective evolutionary algorithm driven by evaluation ...在具有不同Pareto前沿形状的优化问题上,基于参考点的高维多目标进化算法表现出较差的通用性.为了解决这个问题,提出参考点自适应调整下评价指标驱动的高维多目标进化算法(Many-objective evolutionary algorithm driven by evaluation indicator under adaptive reference point adjustment, MaOEA-IAR). MaOEA-IAR提出Pareto前沿形状监测基础上的参考点自适应策略,利用该策略选择一组候选解作为初始参考点;然后通过曲线参数对参考点位置进行调整;将最终得到的能够适应不同Pareto前沿的参考点用于计算增强的反世代距离指标,基于指标值设计适应度函数作为选择标准.实验证明提出的算法在处理各种Pareto前沿形状的优化问题时能获得较好的性能,算法通用性高.展开更多
传统的Pareto支配关系在高维目标空间存在固有缺陷,而一些改进的支配方法在平衡高维目标解群的收敛性与多样性上尚有提升空间.基于此,提出一种参考向量关联区域(小生境)自动缩减的支配关系A2R(dominance relation based on the Automati...传统的Pareto支配关系在高维目标空间存在固有缺陷,而一些改进的支配方法在平衡高维目标解群的收敛性与多样性上尚有提升空间.基于此,提出一种参考向量关联区域(小生境)自动缩减的支配关系A2R(dominance relation based on the Automatically reduced region Associated with the Reference vector).该支配方法在进化全过程中逐代缩减小生境规模,从而实现收敛性与多样性自动平衡,而且不引入额外参数.另外,提出利用基于L_(p)-范式(p=1/M,M为目标数)的拥挤距离度量高维目标解群的多样性.将上述两种策略嵌入到经典的NSGA-II(Nondominated Sorting Genetic Algorithm II)框架,设计一种基于A2R支配关系的高维多目标进化算法MaOEA/A2R(Many-Objective Evolutionary Algorithm base on A2R).该算法与其他5种代表性的高维多目标进化算法一同在5-、10-、15-和20-目标的DTLZ(benchmark MOP proposed by Deb,Thiele,Lau-manns,and Zitzler)和WFG(benchmark MOP pro-posed by Walking Fish Group)基准测试问题上进行IGD(Inverted Generational Distance)和HV(Hyper Volume)性能测试.结果表明,MaOEA/A2R算法总体上具有较好的收敛性和多样性.由此表明,MaOEA/A2R是一种颇具前景的高维多目标进化算法.展开更多
高维多目标优化是指对目标维数大于三维的多目标问题(multi-objective optimization problem,简称MOP)进行优化.大多数传统的多目标进化算法采用Pareto支配关系指导搜索,很难在高维多目标优化问题上得到较为理想的结果.为此,提出了一种...高维多目标优化是指对目标维数大于三维的多目标问题(multi-objective optimization problem,简称MOP)进行优化.大多数传统的多目标进化算法采用Pareto支配关系指导搜索,很难在高维多目标优化问题上得到较为理想的结果.为此,提出了一种基于信息分离的高维多目标进化算法(multi-objective evolutionary algorithm based on information separation,简称ISEA).该算法在目标空间中将原坐标系进行旋转,使第1条坐标轴与向量(1,1,…,1)T平行.ISEA定义转换坐标的第1个坐标值为收敛信息(convergence information,简称CI),剩余的坐标代表个体分布信息(diversity information,简称DI).同时,采用一种基于分层选择的邻域惩罚机制,利用一种由两个超圆锥组成的邻域形状保持种群的分布性,当个体被选入归档集后,其邻域内的个体将被惩罚进入下一层选择,防止邻近的个体同时被选入归档集.邻域形状的第1部分利用分布信息覆盖邻近的个体,第2部分覆盖边界上的差个体.与NNIA,?-MOEA,MSOPS,AR+DMO以及IBEA这5种经典算法进行了比较.实验结果表明,ISEA在处理高维多目标优化问题时具有良好的收敛性和分布性.展开更多
为了使多目标进化算法在收敛性和分布性之间保持平衡,该文提出一种基于角度惩罚距离的高维多目标进化算法(Many-Objective Evolutionary Algorithm based on Angle Penalized Distance,Ma OEA-APD)。首先,综合考虑收敛性和分布性在进化...为了使多目标进化算法在收敛性和分布性之间保持平衡,该文提出一种基于角度惩罚距离的高维多目标进化算法(Many-Objective Evolutionary Algorithm based on Angle Penalized Distance,Ma OEA-APD)。首先,综合考虑收敛性和分布性在进化不同阶段的重要性,构造一种角度惩罚距离,使两者随进化进程动态平衡;其次,开发基于删除劣质个体的环境选择策略,在提高种群分布性的同时提高收敛性;最后,根据环境选择的原理,设计与之相协调且互补的匹配选择过程,提高算法的整体进化效率。将所提算法与目前国内外性能优异的3种高维多目标进化算法进行对比,实验结果表明在WFG标准测试函数集上,该文算法相对于其他算法,综合性能有了较大的提升。展开更多
在高维多目标进化算法中,通常利用重组算子产生优质子代来引导种群搜索,已有研究表明,利用相似个体进行重组可以提高子代个体质量.由于自组织映射(Self-Organizing Mapping,SOM)网络能够通过聚类的方式保持种群个体原有的拓扑逻辑关系...在高维多目标进化算法中,通常利用重组算子产生优质子代来引导种群搜索,已有研究表明,利用相似个体进行重组可以提高子代个体质量.由于自组织映射(Self-Organizing Mapping,SOM)网络能够通过聚类的方式保持种群个体原有的拓扑逻辑关系并获得个体的相似信息,因此本文提出一种基于SOM聚类和自适应算子选择的高维多目标进化算法(Many-Objective Evolutionary Algorithm based on SOM Clustering and Adaptive Operator Selection,MaOEASCAOS).本文首先通过自组织映射网络进行种群分类,提取个体数据结构信息,并利用相似性构建邻域交配池;然后根据类内个体支配信息进行自适应算子选择,提高算法搜索和收敛性能;最后,采用环境选择策略对种群进行多样性管理以保证种群在帕累托前沿均匀分布.仿真结果表明,本文提出的基于SOM聚类和自适应算子选择(SOM Clustering and Adaptive Operator Selection,SCAOS)方法在处理高维多目标优化问题时具有较强的竞争力并且性能指标整体优于其他方法.展开更多
文摘在具有不同Pareto前沿形状的优化问题上,基于参考点的高维多目标进化算法表现出较差的通用性.为了解决这个问题,提出参考点自适应调整下评价指标驱动的高维多目标进化算法(Many-objective evolutionary algorithm driven by evaluation indicator under adaptive reference point adjustment, MaOEA-IAR). MaOEA-IAR提出Pareto前沿形状监测基础上的参考点自适应策略,利用该策略选择一组候选解作为初始参考点;然后通过曲线参数对参考点位置进行调整;将最终得到的能够适应不同Pareto前沿的参考点用于计算增强的反世代距离指标,基于指标值设计适应度函数作为选择标准.实验证明提出的算法在处理各种Pareto前沿形状的优化问题时能获得较好的性能,算法通用性高.
文摘传统的Pareto支配关系在高维目标空间存在固有缺陷,而一些改进的支配方法在平衡高维目标解群的收敛性与多样性上尚有提升空间.基于此,提出一种参考向量关联区域(小生境)自动缩减的支配关系A2R(dominance relation based on the Automatically reduced region Associated with the Reference vector).该支配方法在进化全过程中逐代缩减小生境规模,从而实现收敛性与多样性自动平衡,而且不引入额外参数.另外,提出利用基于L_(p)-范式(p=1/M,M为目标数)的拥挤距离度量高维目标解群的多样性.将上述两种策略嵌入到经典的NSGA-II(Nondominated Sorting Genetic Algorithm II)框架,设计一种基于A2R支配关系的高维多目标进化算法MaOEA/A2R(Many-Objective Evolutionary Algorithm base on A2R).该算法与其他5种代表性的高维多目标进化算法一同在5-、10-、15-和20-目标的DTLZ(benchmark MOP proposed by Deb,Thiele,Lau-manns,and Zitzler)和WFG(benchmark MOP pro-posed by Walking Fish Group)基准测试问题上进行IGD(Inverted Generational Distance)和HV(Hyper Volume)性能测试.结果表明,MaOEA/A2R算法总体上具有较好的收敛性和多样性.由此表明,MaOEA/A2R是一种颇具前景的高维多目标进化算法.
文摘高维多目标优化是指对目标维数大于三维的多目标问题(multi-objective optimization problem,简称MOP)进行优化.大多数传统的多目标进化算法采用Pareto支配关系指导搜索,很难在高维多目标优化问题上得到较为理想的结果.为此,提出了一种基于信息分离的高维多目标进化算法(multi-objective evolutionary algorithm based on information separation,简称ISEA).该算法在目标空间中将原坐标系进行旋转,使第1条坐标轴与向量(1,1,…,1)T平行.ISEA定义转换坐标的第1个坐标值为收敛信息(convergence information,简称CI),剩余的坐标代表个体分布信息(diversity information,简称DI).同时,采用一种基于分层选择的邻域惩罚机制,利用一种由两个超圆锥组成的邻域形状保持种群的分布性,当个体被选入归档集后,其邻域内的个体将被惩罚进入下一层选择,防止邻近的个体同时被选入归档集.邻域形状的第1部分利用分布信息覆盖邻近的个体,第2部分覆盖边界上的差个体.与NNIA,?-MOEA,MSOPS,AR+DMO以及IBEA这5种经典算法进行了比较.实验结果表明,ISEA在处理高维多目标优化问题时具有良好的收敛性和分布性.
文摘为了使多目标进化算法在收敛性和分布性之间保持平衡,该文提出一种基于角度惩罚距离的高维多目标进化算法(Many-Objective Evolutionary Algorithm based on Angle Penalized Distance,Ma OEA-APD)。首先,综合考虑收敛性和分布性在进化不同阶段的重要性,构造一种角度惩罚距离,使两者随进化进程动态平衡;其次,开发基于删除劣质个体的环境选择策略,在提高种群分布性的同时提高收敛性;最后,根据环境选择的原理,设计与之相协调且互补的匹配选择过程,提高算法的整体进化效率。将所提算法与目前国内外性能优异的3种高维多目标进化算法进行对比,实验结果表明在WFG标准测试函数集上,该文算法相对于其他算法,综合性能有了较大的提升。
文摘在高维多目标进化算法中,通常利用重组算子产生优质子代来引导种群搜索,已有研究表明,利用相似个体进行重组可以提高子代个体质量.由于自组织映射(Self-Organizing Mapping,SOM)网络能够通过聚类的方式保持种群个体原有的拓扑逻辑关系并获得个体的相似信息,因此本文提出一种基于SOM聚类和自适应算子选择的高维多目标进化算法(Many-Objective Evolutionary Algorithm based on SOM Clustering and Adaptive Operator Selection,MaOEASCAOS).本文首先通过自组织映射网络进行种群分类,提取个体数据结构信息,并利用相似性构建邻域交配池;然后根据类内个体支配信息进行自适应算子选择,提高算法搜索和收敛性能;最后,采用环境选择策略对种群进行多样性管理以保证种群在帕累托前沿均匀分布.仿真结果表明,本文提出的基于SOM聚类和自适应算子选择(SOM Clustering and Adaptive Operator Selection,SCAOS)方法在处理高维多目标优化问题时具有较强的竞争力并且性能指标整体优于其他方法.
