基于種群分解的進(jìn)化超多目標(biāo)算法及其應(yīng)用.pdf

1、當(dāng)優(yōu)化問(wèn)題包含的目標(biāo)個(gè)數(shù)是兩個(gè)或者三者時(shí)，傳統(tǒng)經(jīng)典的優(yōu)化算法會(huì)有好的效果，但是在處理目標(biāo)多于或等于五個(gè)的超多目標(biāo)優(yōu)化問(wèn)題時(shí)，這些算法的效果并不理想，主要原因有:1）從收斂性方面考慮，目標(biāo)空間維數(shù)的增長(zhǎng)將會(huì)導(dǎo)致種群中Pareto非支配解呈指數(shù)型增長(zhǎng)，致使算法無(wú)法從種群中選擇性能較好的個(gè)體，從而影響算法的收斂性能.2）從分布性方面考慮，大部分分布性保持策略通常比較偏好某些極端個(gè)體，在高維空間中，這種特點(diǎn)會(huì)減弱算法的搜索能力，最終影響種群的分

2、布性。
　　針對(duì)傳統(tǒng)的進(jìn)化多目標(biāo)算法在處理超多目標(biāo)優(yōu)化問(wèn)題時(shí)收斂性與分布性不足的這種情況，本文提出一種基于改進(jìn)的K支配排序以及種群分解的進(jìn)化超多目標(biāo)算法(KD-MOEA).該算法結(jié)合種群分解策略，對(duì)整個(gè)區(qū)域進(jìn)行分解，從而對(duì)種群進(jìn)行分解，這在整體上有利于提高算法的分布性，同時(shí)也在很大程度上減少了計(jì)算量;改進(jìn)之后的K支配與Pareto支配關(guān)系相比，極大地增大了算法的選擇壓力，提升了算法的收斂性能;為了彌補(bǔ)傳統(tǒng)的聚集距離精確性不足，本文

3、使用新的密度估計(jì)方法，提升局部密度估計(jì)的精確性.新提出算法與NSGA-Ⅱ就DTLZ測(cè)試函數(shù)集進(jìn)行對(duì)比試驗(yàn)，實(shí)驗(yàn)結(jié)果顯示該算法在處理超多目標(biāo)優(yōu)化問(wèn)題具有明顯的優(yōu)勢(shì)，不僅提升了傳統(tǒng)進(jìn)化算法的收斂性能，而且獲得的解集在Pareto前沿上具有較好的分布性.
　　我們將新提出的算法應(yīng)用到實(shí)際問(wèn)題—汽車側(cè)面碰撞優(yōu)化問(wèn)題中，在運(yùn)用新算法求解時(shí)，考慮到待優(yōu)化問(wèn)題的特殊性，我們會(huì)對(duì)算法的加進(jìn)約束處理策略-罰函數(shù)，使其更好地處理這個(gè)優(yōu)化問(wèn)題.從仿真的