无人驾驶技术飞速发展,可靠的避障及合理的路径规划是保障其安全性和实用性的根本要求。在驾驶过程中,环境因素复杂且迅速变化,对控制算法的运算速度和精度有较高的要求,已有的动态多目标优化算法在种群初始化和优化速度方面仍需提高。...无人驾驶技术飞速发展,可靠的避障及合理的路径规划是保障其安全性和实用性的根本要求。在驾驶过程中,环境因素复杂且迅速变化,对控制算法的运算速度和精度有较高的要求,已有的动态多目标优化算法在种群初始化和优化速度方面仍需提高。针对该问题提出了一种基于密度和记忆的NSGA2算法(Density and memory based NSGA2 algorithm, NSGA2-DM)。NSGA2-DM存储有用的信息来指导之后的种群初始化;在种群再生阶段,NSGA2-DM使用目标空间中解的密度来评估每个非支配解的稀疏度,将稀疏度最小的非支配解定义为稀疏解,在每个遗传过程中都在稀疏解附近进行局部搜索;NSGA2-DM同时采用极限优化局部搜索策略和随机搜索策略,提高了解的质量和收敛速度。通过FDA和dMOP系列基准测试函数对NSGA2-DM算法进行验证,并将结果与其它先进的种群初始化方法进行对比。结果表明:NSGA2-DM算法可以根据环境变化快速跟踪变化的帕累托前沿,提高求解速度。所提出的局部搜索策略结果优于所对比局部搜索方法。展开更多
文中提出了一种基于混合策略的初始种群预测算法(A Hybrid Strategy Based Initial Population Rrediction Algorithm,HIPPA)来解决目标个数随时间不规则变化的动态多目标优化问题。HIPPA依据目标个数判断环境是否发生变化,根据不同的...文中提出了一种基于混合策略的初始种群预测算法(A Hybrid Strategy Based Initial Population Rrediction Algorithm,HIPPA)来解决目标个数随时间不规则变化的动态多目标优化问题。HIPPA依据目标个数判断环境是否发生变化,根据不同的目标个数划分环境类型。在种群初始化阶段,初始种群由3种机制产生。首先,利用历史种群信息训练改进的神经网络算法,生成一部分初始种群。其次,改进的精英策略利用历史种群信息生成一部分初始种群。最后,使用改进的随机策略生成一部分种群,以保持种群的多样性。本文使用基准实验F1-F5验证所提算法的有效性,并将结果与其他动态优化算法对比。实验结果表明,HIPPA可以更加有效地解决目标个数随时间不规则变化的动态多目标优化问题。展开更多
文摘无人驾驶技术飞速发展,可靠的避障及合理的路径规划是保障其安全性和实用性的根本要求。在驾驶过程中,环境因素复杂且迅速变化,对控制算法的运算速度和精度有较高的要求,已有的动态多目标优化算法在种群初始化和优化速度方面仍需提高。针对该问题提出了一种基于密度和记忆的NSGA2算法(Density and memory based NSGA2 algorithm, NSGA2-DM)。NSGA2-DM存储有用的信息来指导之后的种群初始化;在种群再生阶段,NSGA2-DM使用目标空间中解的密度来评估每个非支配解的稀疏度,将稀疏度最小的非支配解定义为稀疏解,在每个遗传过程中都在稀疏解附近进行局部搜索;NSGA2-DM同时采用极限优化局部搜索策略和随机搜索策略,提高了解的质量和收敛速度。通过FDA和dMOP系列基准测试函数对NSGA2-DM算法进行验证,并将结果与其它先进的种群初始化方法进行对比。结果表明:NSGA2-DM算法可以根据环境变化快速跟踪变化的帕累托前沿,提高求解速度。所提出的局部搜索策略结果优于所对比局部搜索方法。
文摘文中提出了一种基于混合策略的初始种群预测算法(A Hybrid Strategy Based Initial Population Rrediction Algorithm,HIPPA)来解决目标个数随时间不规则变化的动态多目标优化问题。HIPPA依据目标个数判断环境是否发生变化,根据不同的目标个数划分环境类型。在种群初始化阶段,初始种群由3种机制产生。首先,利用历史种群信息训练改进的神经网络算法,生成一部分初始种群。其次,改进的精英策略利用历史种群信息生成一部分初始种群。最后,使用改进的随机策略生成一部分种群,以保持种群的多样性。本文使用基准实验F1-F5验证所提算法的有效性,并将结果与其他动态优化算法对比。实验结果表明,HIPPA可以更加有效地解决目标个数随时间不规则变化的动态多目标优化问题。
