基于種群分布模型學習的班德文進化多目標優(yōu)化算法.pdf

1、近年來，進化多目標優(yōu)化(Evolutionary Multi-objective Optimization，EMO)算法研究逐漸成為進化計算研究領域的一個重要內容。EMO算法一次運行就可以獲得一組具有代表性的Pareto最優(yōu)解的集合，已經(jīng)逐漸成為求解多目標優(yōu)化問題的主流方法之一。但是多數(shù)現(xiàn)有的EMO算法更多的關注了目標空間上的選擇機制，在決策空間的搜索上只是簡單繼承了單目標優(yōu)化算法的策略，而很少針對多目標優(yōu)化問題的特點設計有效的搜索算子

2、。
　　班德文學習理論近年來已被廣泛引入進化計算，為求解多目標優(yōu)化問題提供了一條嶄新的道路。本文正是針對連續(xù)多目標優(yōu)化問題，利用其獨有的規(guī)律性，設計了一種基于種群分布模型學習的班德文進化算子。并將這種班德文進化算子分別引入兩種不同的進化多目標優(yōu)化算法，從而提出了兩種班德文進化多目標優(yōu)化算法。因此，本文主要內容為：
　　(1)提出了一種基于種群分布模型學習的班德文進化算子?；谶B續(xù)多目標優(yōu)化問題的規(guī)律性，此算子通過建立當前種群

3、的分段概率分布模型來獲取當前進化信息，并考慮父代種群的歷史進化信息，從而結合當前進化信息和父代的歷史進化信息產(chǎn)生預測性的進化方向對個體進行搜索。
　　(2)將設計的班德文進化算子分別引入兩種不同類型的算法非支配近鄰免疫多目標優(yōu)化算法和基于分解的進化多目標優(yōu)化算法，提出了基于免疫克隆的班德文多目標優(yōu)化算法(Baldwinian Evolutionary Multi-objective Optimization AlgorithmBa

4、sed on Immue Clone，MIAB)和基于分解的班德文進化多目標優(yōu)化算法MOEA/D/BL(Baldwinian Evolutionary Multi-objective Optimization Algorithm Basedon Decomposition，MOEA/D/BL)。通過分析兩種原算法的特性以及優(yōu)勢和不足，MIAB和MOEA/D/BL均在適當?shù)奈恢靡赃m當?shù)慕Y合方式引入和使用班德文進化算子對個體進行搜索。實驗結