基金supported by NSFC(No.11671208,No.11431012)supported by NSFC(No.11601235)+2 种基金NSF of the Jiangsu Higher Education Institutions of China(No.16KJD110003)NSF of Jiangsu Province(No.BK20161014)China Postdoctoral Science Foundation(No.2016M591873)
基金National Natural Science Foundation of China(No.61806006)A Project Funded by the Priority Academic Program Development of Jiangsu Higher Education InstitutionsSupported by the 111 Project(No.B12018)。
文摘在求解多目标优化问题上,个体的多样性影响了求得解集的质量,决定了解集的分布性。为了扩大个体的搜索方向,增大种群的多样性,同时避免个体在变异过程中聚集在边界处,提出了一种具有反向混沌映射的平均突变修补差分进化(Opposition chaotic initialization and average mutation repair-based differential evolution,OCI-AMR_DE)算法。首先,为了生成均匀分布的初始种群,在初始化过程中对随机数进行tent混沌映射和反向学习,以生成均匀分布的随机数。其次,对突变算子进行处理以避免个体聚集在边界,从而提高种群的多样性。在每次迭代中,对产生突变的个体进行平均突变修补,做合法化处理,计算分别基于Pareto优势和约束优势原则(Constrained dominance principle,CDP)排名的加权和。然后,根据加权和排序选择前N个个体进入下一代,重复上述过程至满足结束条件得到结果集。最后,选取3个测试函数集共38个多目标优化问题对所提算法的性能做出评估,并将其与7种算法进行对比。实验结果表明,OCIAMR_DE在解决受约束多目标优化问题方面具有较强的竞争力。