基于偏好信息的動態(tài)引導式尋優(yōu)策略研究.pdf

1、多目標進化算法（ryAlgorithm EvolutionaMulti-objective，簡稱MOEA）是伴隨著各種各樣的優(yōu)化問題而產生的。近些年，MOEA在優(yōu)化領域內做出了相當大的貢獻，一直是該領域的研究焦點和熱點?，F(xiàn)實生活中我們經常遇到優(yōu)化問題，而且通常是對多個目標同時要求優(yōu)化。例如，一個網店的快速發(fā)展中，不僅要考慮生產成本、產品質量、賣家服務態(tài)度，而且要注重顧客的滿意度以及網店的利潤問題等多個方面。服務態(tài)度和顧客的滿意度是相互促

2、進的關系，而生產成本和產品質量卻是相互沖突的兩個目標。然而，大多數情況下，往往要對相互沖突的多個子目標進行折衷來得到總體的最優(yōu)化。
　　對于傳統(tǒng)的多目標進化算法而言，是想最終獲得每一個子目標都盡量達到最優(yōu)的總體最優(yōu)解集，表現(xiàn)在幾何圖像上的特點是指分布廣泛、均勻，這也是目前大部分學者研究的內容。然而在現(xiàn)實生活中我們每一個個體的要求和追求的目標往往是因人而異的，這也就是所謂的個體偏好。在MOEA中，考慮到個人的偏好差異，最后得到最優(yōu)的

3、決策者滿意解集的算法稱為偏好多目標進化算法。然而這也就是本文研究的重要內容，偏好多目標進化算法的研究是近幾年來進化計算領域的較新的研究方向之一，有著很明確的研究意義。
　　本文提出了一種基于偏好信息的動態(tài)引導式多目標尋優(yōu)策略，該策略通過設置參數來反映搜索過程中引導區(qū)域的動態(tài)性，參數控制決策者的偏好范圍。將解與引導區(qū)域的距離作為響應選擇策略的一個因素，從而有效地獲得決策者期望區(qū)域內的折衷解。將動態(tài)引導尋優(yōu)策略應用到經典的算法中，驗證

4、它的性能。并通過和一些經典的偏好算法的對比實驗，證明該算法具有較好的收斂性和有效性?？偟膩碚f，相對比其他算法而言，本文的工作具有一定的創(chuàng)新性，表現(xiàn)如下：
　　1）提出了新的D-dominance偏好關系，采用劃分目標空間的思想，使用參考點表達偏好信息，并采用參考點的映射點再度劃分目標空間進行支配關系的重新定義。
　　2）提出動態(tài)引導式尋優(yōu)策略，提高了算法的全局搜索能力，彌補了支配關系劃分空間帶來的局限性。通過參數控制決策者的