多目标进化算法中基于角度偏好的ε-Pareto支配策略-论文.pdf

《多目标进化算法中基于角度偏好的ε-Pareto支配策略-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第27卷第6期模式识别与人工智能Vo1．27No．62014年6月PR&AIJune2014多目标进化算法中基于角度偏好的-Pareto支配策略术郑金华赖念郭观七(湘潭大学信息工程学院湘潭411105)摘要利用参考点及角度值引入决策者的偏好信息，采用角度偏好区域设定方法将目标空间划分为偏好区域和非偏好区域，提出一种能区分偏好区域和非偏好区域中非支配解的支配策略——角度偏好的-Pareto支配策略．为验证所提出的支配策略的有效性，将其融入基于s支配的多目标进化算法(s—MOEA)中，形成AP一8-MOEA．通过与融入

2、G支配的G—NSGA．II和融人R支配的R．NSGA—II的性能对比实验表明，AP-s—MOEA在以较快速度收敛到Pareto最优边界的同时，能较好满足决策者偏好．关键词多目标进化算法(MOEA)，多目标优化，支配关系，偏好中图法分类号TP181￡一ParetoDominanceStrategyBasedonAnglePreferenceinMOEAZHENGJin-Hua，LAINian，GUOGuan—Qi(CollegeofInformationEngineering，XiangtanUniversity，X

3、iangtan411105)ABSTRACTByusingreferencepointsandanglevalues，decisionmakerspreferencesayeintroducedinto一multi—objectiveevolutionaryalgorithm(·MOEA)．Theobjectivespaceisdividedintopreferenceareaandnon·preferenceareabythepreferences．Moreover．ananglepreferencebased占

4、一Paretodominancestrategyispresented．Itestablishesastrictpartialorderrelationtodistinguishthepreferencesolutionsandnon—preferencesolutionsamongnon—dominatedsolutions．Todemonstratetheefectivenessoftheproposedstrategy．itisintegratedinto占一MOEA，andthus占一Paretodomin

5、ancestrategybasedonanglepreferenceinMOEA(AP．—MOEA)isputforward．ThecomparativeexperimentsofAP一一MOEA，g-dominanceandr．dominanceshowthatAP—-MOEAcanconvergetoParetooptimalfrontwithahigherspeedandmeanwhilemeetthedecisionmakerspreferences．KeyWordsMulti-objectiveEvolu

6、tionaryAlgorithm(MOEA)，Multi—objectiveOptimization，DominanceRelation，Preference}国家自然科学基金项目(No．61070088，60975048)、湖南省自然科学基金重点项目(No．11JJ2037)、湖南省重点学科建设项目(No．11C1224)、湖南省教育厅重点科研项目(No．12C0378)、湖南省科技厅重点科研项目(No．2011GK3063)资助收稿日期：2012—12—28；修回Et期：2013—07—01作者简介郑金华，男，

7、1963年生，教授，博士生导师，主要研究方向为进化计算、并行处理．E—mail：jhzheng@xtu．edu．ca．赖念(通讯作者)，男，1987年生，硕士研究生，主要研究方向为进化计算．E—mail：250572270@qq．eom．郭观七，男，1963年生，博士，教授，主要研究方向为进化计算．570模式识别与人工智能27卷1引言种基于角度偏好的支配策略，能区分偏好区域和非偏好区域的非支配解，使得偏好区域的非支配解在进化过程中因为优于非偏好区域的非支配解而被多目标优化问题¨需在某些约束下同时优化保留下来．几个相

8、互冲突的目标，求解这类问题将产生一组折中解集合——Pareto边界，而不是全局最优解．由于多目标进化算法(Multi-objectiveEvolutionary2基本概念及偏好区域设定Algorithm，MOEA)具有每次执行都能得到一组折中解及不受目标函数形状的影响等特征，在求解多2．1基本概念目标优化问题上取得较显著成果．较有代表性的有以最小化多目标问题