论文部分内容阅读
随着科学技术的飞速发展,在科学研究和工程应用等众多领域中涌现出大量多目标优化问题,而在这些多目标优化问题中,存在一类问题具有以下特性:在决策空间具有多个最优解集,同时,这些最优解集在目标空间中映射的向量相同;我们称这类优化问题为多模态多目标优化问题,而多模态多目标进化算法是有效解决多模态多目标优化问题的关键,因此如何构建简单高效的多模态多目标优化算法已成为优化研究领域的关键课题。针对多模态多目标优化问题,本文提出了一种基于自组织物种形成的多目标粒子群算法(SS-MOPSO),所提算法在粒子群算法的框架下对种群个体进行优化,该算法通过采用一种自组织物种形成的小生境方法对种群进行自动划分,用于发现优化问题的帕累托最优解,同时引入特殊拥挤距离技术来保留所发现的帕累托最优解,相较于其他形成子种群的方法(拓扑结构、SOM等),该算法通过欧式距离判断种群个体间相似性大小,充分利用种群内个体信息,能够正确识别种群邻域,形成的子种群较为精确,且互不重叠;其次,所提出的自组织物种形成方法与原始物种形成的小生境方法相比,所提算法的时间复杂度只与物种种子个数有关,而原始物种方法不仅与种子个数相关,也与种群内个体个数相关,因此,所提算法形成子种群的效率更高,更加节省计算资源。为了验证所提算法的性能,本文将自组织物种形成的多目标粒子群算法在14个测试函数上与当前较为流行的五种优化算法进行了性能对比,测试问题包括8个MMF问题(MMF1—MMF8)、3个SYM-PART问题(SYM-PART1—SYM-PART3)和3个不同维度的Omni-test问题(Omni-test1—Omni-test3)。在8个MMF问题中,MMF1、MMF2、MMF3和MMF7的帕累托解集数量为2个,MMF4、MMF5、MMF6、MMF8的帕累托解集数量为4个,8个MMF问题的决策变量维度为2。在三个SYM-PART问题中,帕累托解集的个数全部为9个,而决策变量维度为2。三个Omni-test测试问题的帕累托解集的个数分别为27、72、360,决策变量维度分别为3、4、5。通过实验结果显示,所提算法相较于其他算法在测试函数上能够获得较好的结果,体现出了较好的性能。最后,为了更进一步检测所提算法的解决多模态问题能力,将所提算法应用到实际问题中,该实际问题是基于实际地图生成的最短路径测试问题,数学模型包含了四个目标和3个不规则的帕累托解区域,通过与三种多目标优化算法获得的实验结果对比表明,所提算法能够有效地解决多模态多目标问题。