基于偏好信息的支配策略研究.pdf

1、在求解現(xiàn)實中的多目標優(yōu)化問題(Multi-objective Optimization Ploblems,MOP)時，由于采用隨機式、群體式以及智能式的搜索，多目標進化算法(Multi-objective Evolutionary Algorihm,MOEA)能有效地解決求解過程中遇到的各種難題，因而成為智能計算研究領域的熱點之一。有異于單目標優(yōu)化問題(Single-objective onOptimizati Ploblem,SOP)

2、，求解多目標優(yōu)化問題得到的將會是一組折衷解，即Pareto最優(yōu)解，而不是單一的全局最優(yōu)解。在過去幾十年，研究者通過迭代運行多目標進化算法進行隨機群體式的搜索來得到Pareto最優(yōu)解。然而，隨著優(yōu)化問題目標數(shù)的增加，產(chǎn)生的Pareto最優(yōu)解也隨之劇增，這讓決策者(Decision Maker,DM)很難從中做出正確的決策。近三十年，許多基于偏好的多目標進化算法被相繼提出，在求解目標維數(shù)較高的問題時取得了不錯的效果。從決策者的角度考慮，他們

3、對各個目標的喜好程度不同，因此沒有必要搜索出所有的Pareto最優(yōu)解，而只需Pareto最優(yōu)解中決策者最感興趣的區(qū)域(Region Of Interests,ROI)?；谶@個原因，研究者提出在優(yōu)化方法中混合決策制定策略。在算法優(yōu)化過程中，將決策者的偏好信息整合到進化算法中，不僅能簡化決策制定，而且還能減少不感興趣區(qū)域的搜索代價，引導算法搜索到感興趣區(qū)域。
　　本文所做的工作歸納為如下幾點。
　　1．系統(tǒng)地學習了一些有關多目

4、標進化算法的基本概念和基于偏好的多目標進化算法的當前研究現(xiàn)狀，并詳細說明了在設計與實現(xiàn)基于偏好的多目標進化算法時，需考慮的一些要點。
　　2．根據(jù)決策者提供的參考點、目標權值和搜索范圍信息建立統(tǒng)一偏好模型。在此模型的基礎上，提出一種改進的支配關系。
　　3．根據(jù)決策者提供的偏好信息以及ε-Pareto支配的特點，提出一種改進的支配關系。
　　提出的方法都是先構造出新的偏好信息引入方法將角度、搜索范圍、參考點和目標權值等