导　　师： 陈剑勇;林秋镇

授予学位： 硕士

作　　者： (）;

机构地区： 深圳大学

摘　　要： 多目标优化问题一直广泛存在于工程、生产、科研等各个领域,它们通常包含多个需要同时优化的目标函数,且各目标函数之间又存在着相互冲突的关系,因此解决多目标优化问题得到的最优解并不是唯一的,而是一组在各目标间折中的优化解的集合,这也加大了求解多目标优化问题的难度。多目标进化算法是一种很适合解决多目标优化问题的启发式搜索算法,它是基于自然界的生物进化理论而提出的,其中基于分解的多目标进化算法MOEA/D是一个很重要的研究方向。该算法利用权重向量将多目标优化问题分解为多个不同的子问题进行求解,再通过子问题之间的协同进化得到最终结果,降低了多目标优化问题的难度。本文通过对基于MOEA/D框架的算法进行研究和分析发现,虽然MOEA/D框架下的算法在解决多目标优化问题时取得了不错的效果,然而随着问题变得越来越复杂,其求解难度也越来越高。现有基于MOEA/D框架的算法或多或少都存在一些缺陷和不足,例如多样性缺失、搜索能力不足等问题,使算法的性能遭遇瓶颈。因此本文针对这些问题进行了深入分析,并提出了相应的改进方案,具体研究工作包括以下两个方面:首先本文提出了一种多样性增强的资源分配进化算法(MOEA/D-IRA),该算法的核心是在传统的只基于收敛性因素(即聚合函数值的提升率)的资源分配策略中加入多样性指标(即子问题周围的个体密度),从而在子问题的计算资源分配过程中能更好的平衡收敛性和多样性。另外该算法还对邻居父代的选择策略进行了改进,使距离越近的邻居被选中进化的概率越大,以此来替代传统的随机选择方式,从而产生更优秀的子代。其次本文提出了一种基于基因层混合DE操作的进化算法(MOEA/D-GHDE)。该算法中设计了两个DE组合,每个组合包含两个不同特性的DE,一个侧重收敛性

关 键 词： 分解 多目标优化 资源分配 个体密度 基因层

领　　域： []