多目標進化算法解集分布性評價指標及其應用.pdf

1、多目標進化算法(Multi-objective Evolutionary Algorithms, MOEAs)，作為一種基于群體智能的啟發(fā)式尋優(yōu)策略，以其在復雜多目標優(yōu)化問題上具有較好的有效性和準確性的特點，已成為當前多目標優(yōu)化研究領域的熱點話題之一。MOEAs對被優(yōu)化模型的特性無任何要求，因此，常取代傳統(tǒng)優(yōu)化方法被用于解決工程實踐中的復雜優(yōu)化問題。隨著MOEAs研究的深入，諸多的MOEAs被相繼提出，如何比較這些算法在不同類問題上的優(yōu)

2、化效果，成為該領域研究的難點問題之一。多目標進化算法解集的性能評價指標(Performance Assessment)，作為一種能夠定量描述解集性能的工具，被廣泛用于算法設計、算法選擇及算法改進等多個方面。本文針對多目標進化算法解集的性能評價指標展開研究，重點討論了解集分布性評價指標的兩個主要方面(均勻性、廣泛性)的研究現(xiàn)狀及研究思路。進而給出各評價指標模型在設計過程中應遵循的基本要素，并根據(jù)該要素分別設計了2種解集均勻性評價指標和1種

3、解集廣泛性評價指標，通過原理對比和實驗分析兩個角度，驗證了所提指標在對MOEAs解集進行評價時的準確性和有效性。
　　作為評價指標的應用，本文從兩個方面分別將評價指標用于引導算法搜索過程之中，給出基于評價指標的解集分布性保持機制和基于評價指標的環(huán)境選擇策略兩種算法框架，并通過實驗驗證了基于評價指標的全序選擇機制在高維優(yōu)化問題上的突出優(yōu)勢。
　　總的來說，本文的主要工作包括以下3個方面：
　　1)對已有的解集分布性評價指

4、標進行分類討論，歸納出每種評價指標在設計過程中應遵循的一般規(guī)律及基本思路；
　　2)提出3種解集分布性評價指標，其中2種用于評價解集的均勻性，1種用于評價解集的廣泛性；
　　3)對基于非支配分層的環(huán)境選擇機制和基于評價指標的環(huán)境選擇機制在高維優(yōu)化問題上的優(yōu)化能力進行對比研究，為基于評價指標的MOEAs設計提供基本研究思路。
　　本文從多目標進化算法性能評價指標出發(fā)，對解集分布性評價指標的研究進行了系統(tǒng)的分析和討論，給出