带权重向量调节的基于分解的多目标演化优化算法研究

论文摘要

许多实际问题可被定义为多目标优化问题。这样的优化问题通常有着不止一个相互冲突的目标。基于分解的多目标演化优化算法（Multi-objective Optimization Evolutionary Algorithm Based on Decomposition,MOEA/D）是一种有代表性的多目标优化算法,因其在多目标优化问题以及高维多目标优化问题上的有效性,受到了演化计算研究者群体的广泛关注。然而它的算法性能和权重向量的设置有着密切的关系。本文分析了现有权重向量调节方法的固有缺陷,并在此基础上提出了新的权重向量调节方法,借此对权重向量调节频次这一话题进行了探讨。除此之外,本文还对现有基于分解的昂贵多目标优化算法进行了分析,并为昂贵高维多目标优化提出了一种新的算法框架以及相应的权重向量调节方法。本文的主要创新点如下:（1）本文提出了只需两次调节权重向量的新策略。新策略下的MOEA/D使用权重向量网络作为外部集合来存储整个过程中所有搜索到的解,并在算法后期将MOEA/D中原本的权重向量和种群替换为该外部集合存储的权重向量和解集。新提出的方法不仅最大限度地减小了权重向量调节对算法收敛性能的影响,而且很好地避免了极少权重向量调节次数所带来的调节不充分问题。（2）本文提出了一种新型混合算法框架。该框架将基于分类器的和基于分解的两种算法连接在一起。还有一种新型权重向量调节策略被用作这两种不同的昂贵多目标算法之间的连接器。新的混合算法很好地继承了两种算法在加速收敛和保持多样性分布两方面的优点。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
•   1.1 课题研究背景及研究意义
•   1.2 课题研究现状
•     1.2.1 基于分解的多目标演化优化算法研究现状
•     1.2.2 权重向量调节方法研究现状
•   1.3 本文主要内容及组织方式
• 第2章 基础知识介绍
•   2.1 多目标优化问题介绍
•     2.1.1 基本定义
•     2.1.2 昂贵高维多目标问题简介
•   2.2 MOEA/D算法介绍
•     2.2.1 多目标分解方法介绍
•     2.2.2 算法框架介绍
•   2.3 MOEA/D中权重向量调节的必要性
•   2.4 本章小结
• 第3章 一类基于权重向量调节的MOEA/D求解多目标优化
•   3.1 引言
•   3.2 基于权重向量调节的MOEA/D-2WA
•     3.2.1 基于权重向量的外部集合及更新机制
•     3.2.2 MOEA/D-2WA
•   3.3 算法测试与结果分析
•     3.3.1 测试算例设置
•     3.3.2 算法参数设置
•     3.3.3 实验结果与分析
•   3.4 本章小结
• 第4章 一类基于权重向量调节的混合算法求解昂贵高维多目标优化
•   4.1 引言
•   4.2 基于权重向量调节的MOEA/D-EGO算法
•     4.2.1 AWA方法和AWD方法的引入
•     4.2.2 实验结果比较与分析
•     4.2.3 降低权重向量调节频次
•   4.3 基于权重向量调节的混合算法
•     4.3.1 基于分类的昂贵高维多目标优化算法CSEA
•     4.3.2 结合CSEA和MOEA/D-EGO的算法C-M-EA
•   4.4 C-M-EA算法中的权重向量调节方法
•     4.4.1 新的权重向量调节策略
•     4.4.2 其他权重向量调节策略
•   4.5 算法测试与结果分析
•     4.5.1 算法参数设置
•     4.5.2 算法切换时机研究
•     4.5.3 不同权重向量调节策略比较
•     4.5.4 与CSEA算法及MOEA/D-EGO算法性能比较
•     4.5.5 与主流昂贵高维多目标算法K-RVEA的性能比较
•     4.5.6 C-M-EA应用于解决实际昂贵多目标问题
•     4.5.7 运行时间比较
•   4.6 本章小结
• 结论
• 参考文献
• 附录A Introduction
•   A.1 Background and significance
•   A.2 Research status and analysis
•     A.2.1 Research status of decomposition-based MOEA
•     A.2.2 Research status of weight vector adjustment
•   A.3 Main topics of this thesis
• 附录B Preliminaries
•   B.1 Multi-objective optimization problem
•     B.1.1 Definitions
•     B.1.2 Computationally expensive many-objective optimization problems
•   B.2 MOEA/D
•     B.2.1 Decomposition methods
•     B.2.2 Algorithm framework
•   B.3 Necessity of weight vector adjustment in MOEA/D
•   B.4 Summary
• 附录C A weight-vector-adjustment-based MOEA/D for multi-objective optimiza-tion
•   C.1 Introduction
•   C.2 Weight-vector-adjustment-based MOEA/D-2WA
•     C.2.1 Weight-vector-based archive and update mechanism
•     C.2.2 MOEA/D-2WA
•   C.3 Experimental study
•     C.3.1 Test instance
•     C.3.2 Experimental settings
•     C.3.3 Comparison study
•   C.4 Summary
• 附录D A weight-vector-adjustment-based hybrid algorithm for computationally expensive many-objective optimization
•   D.1 Introduction
•   D.2 Weight-vector-adjustment-based MOEA/D-EGO
•     D.2.1 AWA method and AWD method
•     D.2.2 Experimental study
•     D.2.3 Decreasing adjustment frequency
•   D.3 Weight-vector-adjustment-based hybrid algorithm C-M-EA
•     D.3.1 Classification-based algorithm CSEA
•     D.3.2 Combining CSEA and MOEA/D-EGO as C-M-EA
•   D.4 Weight vector adjustment method in C-M-EA
•     D.4.1 A novel weight vector adjustment strategy
•     D.4.2 Other weight vector adjustment strategy
•   D.5 Experimental study
•     D.5.1 Experimental settings
•     D.5.2 Conditions of swiching algorithm
•     D.5.3 Comparison study of different weight vector adjustment strategy
•     D.5.4 Comparison with CSEA and MOEA/D-EGO
•     D.5.5 Comparison with K-RVEA
•     D.5.6 Comparison study on real-world problem
•     D.5.7 Runtime comparison
•   D.6 Summary
• 附录E Conclusions
• 攻读硕士学位期间发表的论文
• 致谢

文章来源

类型: 硕士论文

作者: 万衎震

导师: 石渕久生（Hisao Ishibuchi）

关键词: 演化算法,高维多目标优化,计算昂贵问题,权重向量

来源: 哈尔滨工业大学

年度: 2019

分类: 基础科学,信息科技

专业: 数学,自动化技术

单位: 哈尔滨工业大学

分类号: TP181;O224

DOI: 10.27061/d.cnki.ghgdu.2019.003064

总页数: 128

文件大小: 2102K

下载量: 94