一种非均匀分布问题分布性维护方法

几乎所有多目标进化算法(multi-objective optimization evolutionary algorithm,MOEA)都是针对Pareto最优面为均匀分布问题而言.然而现实中很多问题Pareto最优面是非均匀分布的,决策者希望得到一个与Pareto最优面分布类似的解集.现存算法并不能有效解决该问题.对此,提出一种针对于非均匀分布多目标优化问题的维护方法(non-u-niformly diversity maintenance method,NUDMM).该方法定义一个反映个体分布"规则"程度的指标——杂乱度,并设计一种降低种群杂乱度的方法,在未知Pareto最优面分布规律情况下有效剔除造成种群混乱的个体.通过与NSGA-II和SPEA2在不同维数下8个非均匀函数上对比实验,表明NUDMM在有效保持问题真实分布的同时,具有良好的收敛性.

多目标进化算法的一种基于生成树的分布性维护方法

针对多目标进化算法的种群维护和运行效率相矛盾的问题,提出了一种基于生成树的分布性维护方法,即对整个种群构造一棵生成树,定义一种密度估计指标——树聚集距离,并结合树中的最短树枝和个体度数对种群进行维护。由于树聚集距离和度数具有动态性,每移出一个个体,种群中与之相连个体的信息都会发生相应的变化,因而可即时反映出种群的分布情况。与三个著名的算法NSGA-Ⅱ、SPEA2和C-NSGA-Ⅱ的比较实验表明,该方法能在得到良好分布性解集的同时,能以较快的速度对种群进行维护,具有较好的时间效率。

一种新的分布性保持方法

分布性保持是多目标进化算法主要目标之一.然而通常维护方法的性能与运行时间存在矛盾.提出一种基于最小生成树的分布性维护方法.利用最小生成树中的度数和边长对个体密度进行估计,使低度数的边界个体和长边长的低密度个体得到了保留.另外,一次性选择个体进入下代种群,避免了每移出一个个体就需要对个体密度进行调整的操作.通过5个测试问题和4个方面的测试标准,与3个著名的算法进行比较实验,结果表明该方法在以较快速度对种群进行维护的同时,拥有良好的分布性.

多目标进化算法中基于聚集距离调整的分布性保持方法

在经典的非支配排序遗传算法中,基于聚集距离的种群维护策略并不能很好地保持解集的分布性。提出一种改进的基于聚集距离调整的分布性维护策略,根据邻近个体的聚集距离大小关系,保留分布较好的个体。与经典算法NSGA-Ⅱ,PESA-Ⅱ和小生境方法进行比较,实验结果表明,提出的分布性维护策略能较大程度提高分布性,并保持较好的收敛性。

基于改进人工蜂群算法的高维多目标优化

为了提高高维多目标优化算法的收敛性和分布性,提出基于改进人工蜂群算法的高维多目标优化算法。首先,利用一种改进的适应值评价方式定量比较高维多目标中个体的优劣;其次,改进人工蜂群算法,使种群迅速收敛于最优的非支配前沿;最后,建立新的分布性维护机制使所获得的非支配解分布均匀、覆盖整个最优前沿。研究结果表明：对于3~8个目标的DTLZ系列测试函数,与PISA算法等几种较流行的高维多目标算法相比,本文方法收敛性好,解集覆盖范围广且分布均匀.