使用SP-MEC算法求解多目標問題.pdf

1、在現(xiàn)實的真實世界中有很多問題都是基于多目標的。多目標優(yōu)化是近年來迅速發(fā)展起來的一門新興學科。 進化算法(EvolutionaryAlgorithm：EA)作為優(yōu)化算法來解決復雜的多目標優(yōu)化問題具有一定的優(yōu)勢。Schaffer在二十世紀80年代中期提出了VEGA，它是使用進化算法來解決多目標優(yōu)化問題的第一次實現(xiàn)?，F(xiàn)在的進化多目標算法大致可以被分為三類：(1)聚合法.這種方法是將多個目標聚合成一個目標函數(shù)來進行優(yōu)化。(2)基于群體的

2、非Pareto法，如VEGA；(3)基于Pareto的方法，如SPEA(StrengthParetoEvolutionaryAlgorithms)，它是最好的進化多目標優(yōu)化算法之一。 根據(jù)對GA存在問題的思考以及對人類思維進步的分析，模仿人類社會中存在的趨同和異化現(xiàn)象，思維進化計算(MEC)。經(jīng)過幾年來的理論和實驗研究，目前思維進化計算在理論上已經(jīng)有了很大的發(fā)展，同時也廣泛應用于一些實際問題，所有這些工作已經(jīng)為MEC建立了一個初

3、步完整的體系。 本文提出一種多目標優(yōu)化算法SP-MEC。它將Pareto理論和某種得分機制引入到基本MEC中來解決多目標優(yōu)化問題的。 SP-MEC的基本思想是：(1)首先在整個解空間散布一些個體，根據(jù)它們的得分選擇一些最好個體作為子群體的初始中心，該得分反映個體間的統(tǒng)治關系和密度信息。(2)每個子群體從這些初始中心出發(fā)，僅搜索一個局部區(qū)域來逐漸地向Pareto前沿漂移。(3)在漂移的過程中，算法會調(diào)整各子群體的搜索范圍和

4、前進方向。上述(1)和(3)稱為異化操作，(2)稱為趨同操作。 文中將SP-MEC在凸，非凸，離散及分布不均勻的測試問題上與VEGA，NSGA，SPEA和Pareto-MEC這四種參考算法進行了比較，其中SPEA和Pareto-MEC(我們先前提出的一種算法)是參考算法中性能較好的。實驗結果表明SP-MEC在與Pareto前沿的逼近程度，解分布的均勻性和解的擴展性三個測度上超越了VEGA，NSGA和SPEA。與Pareto-ME

5、C比較，SP-MEC在分布不均勻的測試問題上與Pareto-MEC不相上下，但在凸的，非凸的和離散的這三個測試問題上要好于Pareto-MEC。 文中還使用了兩個度量標準Cover和Spacing在凸的和分布不均勻這兩個測試函數(shù)上對SP-MEC進行了定量的評價。并且使用了當今最好的兩種算法SPEA和Pareto-MEC作為參考算法。實驗結果可以從數(shù)學的角度表現(xiàn)SP-MEC算法的性能。從度量標準Spacing的角度來看，SP-ME