基于變化的權(quán)重向量的MOEA/D研究
摘要:MOEA/D使用聚合函數(shù)將多目標(biāo)問(wèn)題分解成一定數(shù)量的單目標(biāo)子問(wèn)題并行優(yōu)化,岡其具有較強(qiáng)的搜索能力,良好的收斂性等,越來(lái)越受人關(guān)注。然而,該算法的性能極大程度上依賴(lài)權(quán)重向量與解替換的鄰域構(gòu)成。首先,分析預(yù)先設(shè)置固定的權(quán)重向量導(dǎo)致最終解集性能下降的原因;其次,在此基礎(chǔ)上,提出依賴(lài)邊界區(qū)域變化調(diào)整權(quán)重向量的策略,根據(jù)算法迭代中解集邊界預(yù)測(cè)近似Pareto前端的整體分布,結(jié)合預(yù)先設(shè)定的權(quán)重向量與均勻設(shè)計(jì)調(diào)整權(quán)重向量;進(jìn)一步,為提高算法求解的收斂速度.提出導(dǎo)引式雜交策略,引導(dǎo)種群進(jìn)化,結(jié)合兩種策略,提出一種改進(jìn)的分解多目標(biāo)進(jìn)化算法。仿真試驗(yàn)中,本文在ZDT系列問(wèn)題上對(duì)算法進(jìn)行性能測(cè)試。與NSGA-Ⅱ,原始的MOEA/D、帶均勻設(shè)計(jì)的MOEA/D+UD相比。結(jié)果表明,結(jié)合變化的權(quán)重向量調(diào)整與導(dǎo)引式雜交策略,算法收斂的速度提高,獲得解集分布性相對(duì)更為均勻,產(chǎn)生解集的整體質(zhì)量更高。
注: 保護(hù)知識(shí)產(chǎn)權(quán),如需閱讀全文請(qǐng)聯(lián)系湖北工業(yè)大學(xué)學(xué)報(bào)雜志社