高維多目標減少算法的比較與研究.pdf

1、在實際優(yōu)化過程中,許多優(yōu)化問題都需要同時考慮多個目標,并且這些目標往往是相互沖突的,因此,多目標優(yōu)化受到更多的關注。進化算法是模擬生物自然進化的全局智能搜索算法,廣泛地應用于求解高度復雜的非線性問題。研究者們針對不同的應用問題,提出了不同的多目標進化算法,比如:NSGA-Ⅱ、ε-MOEA等,它們都能很好地處理多目標優(yōu)化問題。
　　但是,許多文獻只是考慮兩個或者三個目標的低維問題,而在實際中,往往包括的目標數(shù)非常大(4維或者更多)。

2、當目標數(shù)量超過3維時,分析Pareto面比較困難。甚至有研究表明,基于Pareto優(yōu)化的MOEA在高維情況下不易找到好的Pareto面,原因之一就是非支配解的比率隨目標維數(shù)增加迅速增長。這意味著,許多算法在選擇過程中都是隨機的。目前處理高維問題有兩種方法:松馳Pareto支配關系的方法和目標減少算法。本文針對第二種方法作了一些比較研究,主要工作包括以下三個方面。
　　第一、分析比較了目前已經(jīng)提出的三種目標減少算法。
　　本文

3、首先對三種同類算法作一個簡介,然后分析了這些算法的性能,并與本文將提出的新算法進行對比,從另一面驗證本文算法的可行性。
　　第二、提出了基于最小二乘法的目標減少算法,并通過實驗證明它的可行性。
　　本文將從決策者角度出發(fā)提出一個新的目標減少算法,該算法采用最小二乘法將目標空間中每個目標函數(shù)擬合為多條直線段,然后兩兩比較各直線段的斜率,確定最冗余目標對,并將冗余目標從目標集中刪除。在算法設計的每一步,本文將詳細對它介紹與分析,

4、得出其時間復雜度。另外,通過大量的比較實驗證明,本文的算法是一種有效的算法。
　　第三、提出了兩種目標減少算法的評價方法。即:
　　(1)在目標減少前后,用支配關系改變的比率來衡量它的優(yōu)劣;
　　(2)將目標函數(shù)擬合為多條直線段,用空間分布相似程度來評價它的好壞。
　　考慮到目標減少算法目前暫時缺少專門的評價方法這個問題,本文提出了上述兩種評價方法,評價的數(shù)值結果與圖的直觀反映結合驗證評價方法的可行性;并且,本文