基于分解的自适应多目标进化算法研究

《基于分解的自适应多目标进化算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号TP391学校代码10590UDC004密级公开深圳大学硕士学位论文基于分解的自适应多目标进化算法研究学位申请人姓名刘治望专业名称计算机科学与技术学院（系、所）计算机与软件学院指导教师姓名闫巧教授、林秋镇博士深圳大学学位论文原创性声明和使用授权说明原创性声明本人郑重声明：所呈交的学位论文基于分解的自适应多目标进化算法研究是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写的作品或成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的

2、法律后果由本人承担。论文作者签名：日期：年月日基于分解的自适应多目标进化算法研究摘要在科学研究和工程实践中存在着许多多目标优化问题，通常来说这些目标彼此相互冲突，求解多目标优化问题就是寻找各目标在不同权重分配下的最优解。传统的优化算法通常将多目标优化问题分解成多个单目标优化子问题，然后逐一求解各个子问题。这样的求解方式效率较低，主要是因为算法每次运行都只能得到一个解，而且各个单目标子问题都是被独立的解决。为了更有效的解决多目标优化问题，受自然界生物进化和适者生存理论的启发，进化算法应运而生并已经展现出巨大的潜力来解决多目标优化问题

3、。基于分解的多目标进化算法(MOEA/D)是其中一个杰出的代表，它的核心思想是用一组均匀的权重向量将一个多目标优化问题分解为一组单目标优化子问题，然后利用进化的思想同时求解这一组子问题，而且子问题与子问题之间能相互传递信息。所以，算法每次运行能得到一组解，优化效率得到显著提升。然而和其它多目标进化算法一样，MOEA/D也存在对变异、交叉算子敏感，收敛速度慢，解分布不均匀等缺陷。所以，为了进一步提升其优化效率，近年来，MOEA/D受到越来越多的研究人员的密切关注。本文主要从MOEA/D对变异算子敏感的角度出发，以提高MOEA/D的通

4、用性、高效性和鲁棒性为主要目标，通过深入研究MOEA/D算法及其已有的改进算法，提出了2种改进的MOEA/D算法，主要工作如下：(1) 提出了一种自适应组合操作池选择策略和变量自适应控制的进化算法（MOEA/D-CDE），该算法主要设计了一种混合差分变异操作池的概念，并对多个操作池的选择策略设计了一种自适应选择方法，然后对所有操作的变量进行了自适应控制，该算法在解决复杂的多目标优化问题（UF和WFG）具有非常明显的效果。(2) 设计了一种基于基因层面的自适应混合操作选择策略的进化算法（MOEA/D-GDE）。该算法主要针对种群中个

5、体的每一维度进行了深入进化，对每个个体的每一维度使用混合操作池的自适应选择策略进行优化，这样在很大程度上增加了种群的多样性和收敛性，因此，进一步提升了基于分解的进化算法在解决复杂的多目标优化问题的性能。关键词：进化算法；分解；自适应操作选择；差分进化；基因操作ⅠThe Research on Adaptive Multi-objective Evolutionary Algorithm based on DecompositionAbstractThere are many multi-objective optimization

6、 problems in scientific research and engineering practice.Usually,these objectives conflict with each otherand the solving of multi-objective optimization problem is to find the optimal solution under different weightsin each objective. Traditional optimization algori

7、thms usually decompose a multi-objective optimization problem into a setofsingleoptimization sub-problems, and then solve the sub-problemsone by one.However, this traditional method has the low efficiency, mainly because the algorithmonly getsone solution fromeach run

8、 and each sub-problem issolved independently. In order to effectivelysolve multi-objective optimization problems, evolutiona