一種求解多目標(biāo)進(jìn)化算法魯棒最優(yōu)解方法研究.pdf

1、多目標(biāo)進(jìn)化算法(MOEA)以其獨特的性能被廣泛應(yīng)用于學(xué)術(shù)研究和工程實踐中,該算法的特點是無需定義目標(biāo)權(quán)重而算法運行一次可以找出一組符合約束條件的非劣解,再由決策者根據(jù)其偏好進(jìn)行選擇。隨著國內(nèi)外學(xué)者對MOEA的深入研究,其性能也得到不斷的優(yōu)化。然而,目前的研究重心主要集中在對算法收斂能力及分布性能的改進(jìn)上,對于算法抗干擾性能(魯棒性)涉及較少。在實際工程實踐中,由于環(huán)境中總存在不穩(wěn)定的可變的因素,要想使MOEA在工程實踐中得到更廣泛的應(yīng)用

2、,提高算法的魯棒性是一項極其重要的工作。
　　本文旨在研究多目標(biāo)進(jìn)化算法的魯棒性,包括以下工作:
　　第一,多目標(biāo)魯棒最優(yōu)化問題的研究較少,主要歸結(jié)于環(huán)境的不確定性和缺乏合適的測試函數(shù)。本文通過數(shù)值實驗,對不同特性測試函數(shù)進(jìn)行測試,檢驗了在不同干擾下算法的性能變化情況,并對其進(jìn)行分析。結(jié)果表明,存在干擾情況下,原來的測試函數(shù)不再適用,需構(gòu)造新的測試函數(shù),即魯棒測試函數(shù)。
　　第二,多目標(biāo)進(jìn)化算法的魯棒最優(yōu)解是進(jìn)化計算研

3、究的重要方面,同時也是研究難點。多目標(biāo)進(jìn)化算法在搜索魯棒最優(yōu)解時,通常是用蒙特卡羅積分(MCI)近似估計有效目標(biāo)函數(shù)(EOF),而已有求解方法近似精度不高,使得算法搜索魯棒最優(yōu)解的性能較差。提出用擬蒙特卡羅方法(Q-MC)來估計有效目標(biāo)函數(shù),其所引入的Q-MC方法——Korobov點陣能更加精確的估計EOF,實驗結(jié)果表明,與現(xiàn)有的原始蒙特卡羅方法(C-MC)相比較,擬蒙特卡羅方法(Q-MC)可以顯著地提高多目標(biāo)進(jìn)化算法搜索魯棒最優(yōu)解的效