基于概率的區(qū)域預(yù)測動態(tài)多目標優(yōu)化算法.pdf

1、現(xiàn)實生活中，在生產(chǎn)調(diào)度、組合優(yōu)化、工程設(shè)計、大規(guī)模數(shù)據(jù)處理等諸多領(lǐng)域，常常會遇到許多復(fù)雜的動態(tài)多目標優(yōu)化問題。這類問題目標函數(shù)不僅與決策變量有關(guān)，而且受環(huán)境變化的影響，所以很難設(shè)計出一種針對所有問題的通用方法。目前，已經(jīng)存在很多方法用于解決動態(tài)多目標優(yōu)化問題，其中，最有前途的一種方法是預(yù)測，特別是基于點到點的預(yù)測方法，但是這類方法忽略了動態(tài)多目標問題的一些性質(zhì)，比如：Pareto最優(yōu)解之間的相對結(jié)構(gòu)信息，Pareto最優(yōu)解集的概率分布信

2、息等。當當前Pareto最優(yōu)解集相比歷史Pareto最優(yōu)解集越來越分散時，更不能達到很好的預(yù)測效果。
　　目前，動態(tài)多目標優(yōu)化算法包括三部分：環(huán)境檢測部分，當檢測到環(huán)境未發(fā)生改變時的多目標優(yōu)化算法部分，環(huán)境發(fā)生改變后怎樣響應(yīng)環(huán)境變化部分。當檢測到環(huán)境發(fā)生變化時，針對動態(tài)多目標優(yōu)化問題解的特性，本文提出了一種基于概率的區(qū)域預(yù)測策略，考慮到 Pareto最優(yōu)解集之間的結(jié)構(gòu)信息，對歷史的Pareto最優(yōu)解集進行K-mediods聚類產(chǎn)生

3、子集，考慮到Pareto最優(yōu)解集之間的概率分布信息，利用量子概率分布模型產(chǎn)生新環(huán)境下“基于概率的區(qū)域”。受到量子進化算法的啟發(fā)，提出了一種“基于概率的區(qū)域”預(yù)測策略以快速有效地預(yù)測下一時刻“基于概率的區(qū)域”，同時，本文還提出了一種競爭機制，通過這種方法，產(chǎn)生的新種群能靠近新環(huán)境下真實 Pareto最優(yōu)解集。最后，本文進行了多組對比實驗，實驗結(jié)果表明，本文提出的方法能有效、快速地追蹤到時變的Pareto前沿。
　　最后，對全文進行總