今天为大家介绍自己最近研究的一些问题,整体上处理简单的多目标优化效果还是可以的,但是面对复杂的多目标时,还需进一步优化。具体过程看下文:
1 引言
在过去一段时间,进化算法被广泛的应用在多目标优化中。其中主要的原因是进化算法解决多目标问题时,能够让目标空间分布均匀,并且快速达到帕累托占优。上世纪80年代,进化算法第一次被Schaffer[文献]引入到解决多目标优化问题(MOPs)。但是,Schaffer使用进化算法中的遗传算法解决多目标优化问题仍然存在诸多问题。因为遗传算法的收敛性不高,导致处理一些多目标问题时,目标空间分布不均匀。
为了平衡多目标优化问题中目标之间的冲突问题,需寻找他们之间的非支配解来平衡各个目标之间冲突。对于决策空间中的非支配解称为帕累托集(PS),目标空间的非支配解称为帕累托前沿(PF)。为了获取最优的PS和PF,众多学者提出基于进化算法来解决多目标优化问题。而差分进化算法的表现是众多进化算法中比较出色的一种,原因在于差分进化算法是一种全局最优器,能够迅速达到全局最优,能够很好的避免局部最优。2011年A M A等人提出一种有效的差分进化算法解决多目标优化问题(MODEA),整个过程采用非占优拥挤距离对种群进行排序,然后利用NSGA-II中的精英选择方法进行子代选择。MODEA整体的效果还是不错的,但是在面对一些复杂高维的问题时,易陷入局部最优。为了控制种群陷入局部最优,Zhang Q等提出了基于复杂帕累托前沿多目标优化改进PBI方法(NSGA-MPBI)