提升MOEA-D性能的自適應(yīng)局部搜索策略.pdf

1、傳統(tǒng)優(yōu)化方法在求解具有高度復(fù)雜性、非凸性、多極值等特征的優(yōu)化問題時(shí)，往往表現(xiàn)出較大的局限性，而進(jìn)化算法（ Evolutionary Algorithm，EA）是一種基于達(dá)爾文進(jìn)化理論構(gòu)造的基于種群的隨機(jī)搜索算法，具有良好的魯棒性和普適性，能有效的求解傳統(tǒng)數(shù)學(xué)優(yōu)化方法難以解決的問題。其中，多目標(biāo)進(jìn)化算法（ ry AlgorithmEvolutionaMulti-objective，MOEA）更備受關(guān)注，它能夠?qū)?fù)雜的、包含多個(gè)目標(biāo)的優(yōu)化問

2、題進(jìn)行求解，并已成為智能計(jì)算領(lǐng)域的熱點(diǎn)研究方向之一?；诜纸獾亩嗄繕?biāo)進(jìn)化算（ Multi-objective Evolutionary Algorithm Based on Decomposition, MOEA/D）是一種將一個(gè)多目標(biāo)優(yōu)化問題分解為多個(gè)單目標(biāo)子問題進(jìn)行求解的算法框架。從精英個(gè)體篩選機(jī)制的角度而言，其有別于基于Pareto最優(yōu)理論的算法（如NSGA-II）以及基于性能指標(biāo)評(píng)價(jià)的其他算法（如IBEAs）。由于每個(gè)子問題實(shí)質(zhì)

3、上是一個(gè)標(biāo)量函數(shù)，評(píng)價(jià)個(gè)體的優(yōu)劣實(shí)際上變成了對(duì)個(gè)體的適應(yīng)度函數(shù)值的直接比較，從而簡單、高效的保留了種群中的精英個(gè)體。
　　本文在對(duì)分解多目標(biāo)進(jìn)化算法深入探討的基礎(chǔ)上，提出了一種自適應(yīng)局部搜索策略，通過評(píng)價(jià)重組算子在算法執(zhí)行過程中表現(xiàn)出的性能，自適應(yīng)的選擇最適合當(dāng)前問題以及當(dāng)前進(jìn)化階段的算子；通過評(píng)價(jià)子問題的解在若干進(jìn)化迭代階段中收斂性的改善程度，自適應(yīng)的調(diào)整子問題的搜索范圍，有效的避免算法所獲得的解集過早收斂，在保持解集廣泛性的同

4、時(shí)提高了算法的收斂效率。主要內(nèi)容包括：⑴提出了一種自適應(yīng)的交叉算子選擇策略，選取幾種典型的交叉策略作為候選算子，根據(jù)交叉算子在算法執(zhí)行過程中表現(xiàn)出的性能，自適應(yīng)的選擇最適合當(dāng)前問題和當(dāng)前進(jìn)化階段的算子，改善了算法的全局尋優(yōu)能力。⑵提出了一種自適應(yīng)局部搜索策略，通過評(píng)價(jià)子問題的解在一定進(jìn)化時(shí)間段內(nèi)的改進(jìn)程度，判斷該子問題是否陷于局部最優(yōu)，動(dòng)態(tài)的調(diào)整算法在子問題上的搜索范圍，避免解集過早收斂，提高了算法的收斂效率。⑶將自適應(yīng)局部搜索策略引入