关于如何用角度信息引入决策者偏好的研究

在实际的多目标优化中,决策者通常只对少部分的Pareto最优解感兴趣.然而,传统多目标优化算法关注整个Pareto最优面上的解集,这不仅需要花费大量计算时间在无用解的搜索上,同时决策者也很难从众多解中选出符合自己偏好的解(特别是问题目标个数大于3时).为此,本文提出了一种利用个体间的角度关系的偏好多目标进化算法.该方法通过重新定义个体间的支配关系和聚集距离使那些离决策者偏好区域越近的个体优先被保留下来,从而引导种群趋近于决策者的偏好区域.

傅里叶空间变换处理带噪声进化算法的研究

鉴于进化算法处理实际优化问题时受到的噪声干扰，提出了一种新的数学去噪方法（FourierSpaceTransform，FST）。建立噪声环境下进化计算中新的适应函数计算模型；对该模型下计算所得的个体适应值进行傅氏空间变换，运用滤波方法处理；通过傅氏逆变换得到处理后的适应值，通过比较它们模值的大小，选出优秀个体。实验结果表明，FST方法不仅对噪声处理有很好的效果，而且计算代价低，稳定性好。

基于Delaunay三角剖分的多目标进化算法解集分布度评价指标

系统分析目前多目标进化算法(MOEAs)分布度评价指标的特点和不足,提出一种基于Delaunay三角剖分的分布度评价指标.该指标将基于邻域和基于距离的评价思想相结合,利用Delaunay三角网最近邻与邻接性的特点实现自主邻域划分.采用空间映射的方法,有效减少MOEAs解集非支配关系对种群分布度评价的影响.测试结果表明该指标能准确反映MOEAs解集的分布性.