經(jīng)典多目標優(yōu)化進化算法（Multi-objective Optimization Evolutionary Algorithms,MOEAs）在處理二維或三維多目標優(yōu)化問題（Multi-objective Optimization Problems,MOPs）時獲得的結果都很不錯。但是在現(xiàn)實世界的實際問題中,決策者（Decision Maker,DM）只是對一部分最優(yōu)解（Optimal Solutions）感興趣,而并不是完整的帕累托前沿（Pareto Front,PF）。另外,當多目標優(yōu)化問題的目標數(shù)量逐漸增加到大于3,即通常所認識的高維優(yōu)化問題（Many-objective Optimization Problems）時,基于帕累托支配關系的多目標優(yōu)化進化算法（Pareto-based MOEAs）就會因為缺乏足夠的選擇壓力而極大地削弱算法的有效性。基于以上兩點,將決策者的偏好信息（Preference Information）引入MOEA并用其幫助搜索一組能最符合決策者要求的、具有代表性的解集這一方法被很多研究者所研究,這就是偏好多目標優(yōu)化進化算法（Preferennce-bas... 

【文章來源】：湘潭大學湖南省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

圖1-1兩個目標的最優(yōu)邊界

5()={1if≤(x),=1,2,,;1if≥(x),=1,2,.;0otherwise;公式（1-2）g是參考點。如下圖1-3所示，兩個區(qū)域陣營（Flag=1和Flag=0）利用虛線將整個目標空間分割成多個部分，在Flag=1的區(qū)域內(nèi)的個體g支配Flag=0區(qū)域內(nèi)的個體。黑色加粗曲線標記的部分是ROI。算法1-1是Flag的計算方式。g支配可以采用交互的方式引導種群的收斂。如果決策者對當前代給出的結果不滿意，將通過更改參考點或在解集中選擇一個解作為新參考點的方式來交互更新偏好信息。對于第t代的參考點，它下一代更新的參考點定義如下：+1=(1)+公式（13）其中∈(0,1)是一個代表收斂速度的參數(shù)，是當前第t代解集中的代表解。越接近1，新參考點就越接近。參考點更新的效果見圖1-4。當然，g支配也存在一定的缺陷，當參考點在PF上或接近PF時，g-NSGA-II算法在收斂性和分布性方面就表現(xiàn)的不如人意[28]。圖1-3g支配在兩維目標空間

更新參考點

【參考文獻】：
期刊論文
[1]約束優(yōu)化進化算法[J]. 王勇,蔡自興,周育人,肖赤心.  軟件學報. 2009(01)

碩士論文
[1]基于分解的偏好多目標進化算法及其評價指標的研究[D]. 喻果.湘潭大學 2015



本文編號：3588267