多目標(biāo)進(jìn)化算法解集分布性評價指標(biāo)及其應(yīng)用.pdf

1、多目標(biāo)進(jìn)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(fù)雜多目標(biāo)優(yōu)化問題上具有較好的有效性和準(zhǔn)確性的特點，已成為當(dāng)前多目標(biāo)優(yōu)化研究領(lǐng)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(fù)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(lǐng)域研究的難點問題之一。多目標(biāo)進(jìn)化算法解集的性能評價指標(biāo)(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(shè)計、算法選擇及算法改進(jìn)等多個方面。本文針對多目標(biāo)進(jìn)化算法解集的性能評價指標(biāo)展開研究，重點討論了解集分布性評價指標(biāo)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(jìn)而給出各評價指標(biāo)模型在設(shè)計過程中應(yīng)遵循的基本要素，并根據(jù)該要素分別設(shè)計了2種解集均勻性評價指標(biāo)和1種

3、解集廣泛性評價指標(biāo)，通過原理對比和實驗分析兩個角度，驗證了所提指標(biāo)在對MOEAs解集進(jìn)行評價時的準(zhǔn)確性和有效性。
　　作為評價指標(biāo)的應(yīng)用，本文從兩個方面分別將評價指標(biāo)用于引導(dǎo)算法搜索過程之中，給出基于評價指標(biāo)的解集分布性保持機制和基于評價指標(biāo)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(biāo)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(biāo)進(jìn)行分類討論，歸納出每種評價指標(biāo)在設(shè)計過程中應(yīng)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(biāo)，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(biāo)的環(huán)境選擇機制在高維優(yōu)化問題上的優(yōu)化能力進(jìn)行對比研究，為基于評價指標(biāo)的MOEAs設(shè)計提供基本研究思路。
　　本文從多目標(biāo)進(jìn)化算法性能評價指標(biāo)出發(fā)，對解集分布性評價指標(biāo)的研究進(jìn)行了系統(tǒng)的分析和討論，給出