基于外部集的多目標進化算法的動態(tài)資源分配策略研究.pdf

1、多目標優(yōu)化的目標是近似出一組目標間互相權衡的Pareto最優(yōu)解集。進化算法，由于其基于群體智能的優(yōu)化特點，已成為解決多目標優(yōu)化問題的主流算法。近年來，基于分解的多目標進化算法（MOEA/D）引起了廣泛的關注：算法將一個多目標優(yōu)化問題分解成為多個單目標優(yōu)化的子問題，然后同時對這些子問題分配計算資源進行優(yōu)化。原始的MOEA/D采用對于每個子問題平均分配計算資源的策略。但是由于每個子問題的難易程度不同，采用動態(tài)資源分配的策略能夠進一步提高優(yōu)化

2、算法的效率。本文主要通過外部集信息，研究對子問題進行動態(tài)資源分配的不同策略，以及它們對算法性能的影響。本文的主要研究工作包含以下三個部分：
　　1.采用混合的多目標優(yōu)化算法作為基本框架，即使用一個基于分解的工作集合和一個基于Pareto支配的外部集合。提出了一種兩階段的計算資源分配策略。算法的優(yōu)化過程被顯性地分成了兩個階段，首先從外部集中提取收斂性信息，進入第二階段后使用多樣性信息指導其搜索方向，從而提高了算法的效率。
　　

3、2.針對一些特殊的優(yōu)化問題(如不符合常見的先收斂后擴散)，提出了一種多階段的計算資源分配策略。該策略根據當前的進化狀態(tài)(收斂或者擴散階段)，使用一種動態(tài)切換機制，自適應地將外部集的收斂或多樣性信息作為反饋，用于指導工作集的搜索方向，從而提高了算法在收斂性和多樣性上的權衡能力。
　　3.對多目標軟件版本發(fā)布問題和多目標旅行商問題進行測試，與其它優(yōu)秀的算法相比，提出的策略能合理地分配計算資源，具有更好的性能。并進一步地驗證了動態(tài)資源分