專利名稱：一種基于種群分解的自適應(yīng)混合多目標(biāo)進化方法
技術(shù)領(lǐng)域：
本發(fā)明涉及智能計算與多目標(biāo)優(yōu)化兩個領(lǐng)域，具體涉及一種基于種群分解的自適應(yīng)混合多目標(biāo)進化方法。
背景技術(shù)：
最優(yōu)化在國民經(jīng)濟，國防，教育，科技等社會領(lǐng)域有著廣泛的應(yīng)用。多目標(biāo)最優(yōu)化對學(xué)者和工程師來說是一個非常重要的研究課題。這不僅僅是由于現(xiàn)實中的很多問題都具有多目標(biāo)最優(yōu)化的特征，而且多目標(biāo)最優(yōu)化本身也存在很多有研究價值的問題。解決多目標(biāo)最優(yōu)化(Multiobjective optimization problem, MOP)問題通常很困難，因為多目標(biāo)優(yōu)化問題的各目標(biāo)往往相互沖突，這使得找到一個解同時優(yōu)化所有的目標(biāo)函數(shù)變得不可能。因而求解多目標(biāo)最優(yōu)化問題傾向于找一組折中的解。傳統(tǒng)的優(yōu)化方法一次只能找到一個最優(yōu)解，這使得用傳統(tǒng)的方法解決多目標(biāo)最優(yōu)化問題變得很不方便。在過去的幾十年間，涌現(xiàn)出許多多目標(biāo)函數(shù)優(yōu)化問題的求解方法，大多數(shù)方法沿襲一條固定模式的解決路線，即使用對策權(quán)衡原理對每個目標(biāo)的重要性賦權(quán)重，構(gòu)成一個單目標(biāo)最優(yōu)化問題。處理單目標(biāo)最優(yōu)化的方法相對較成熟，所以多目標(biāo)最優(yōu)化轉(zhuǎn)化成了單目標(biāo)最優(yōu)化。但是多目標(biāo)最優(yōu)化不存在所謂的“最優(yōu)解”，所以這種轉(zhuǎn)化導(dǎo)致優(yōu)化結(jié)果的不唯一。這種方法的結(jié)果與“決策者”直接相關(guān)，導(dǎo)致算法沒有通用的價值，對目標(biāo)進行科學(xué)優(yōu)化也沒有現(xiàn)實意義。進化算法(evolutionary algorithms)在組合優(yōu)化問題中取得的巨大成功,啟發(fā)了人們把進化算法的應(yīng)用延伸的多目標(biāo)最優(yōu)化的領(lǐng)域，實現(xiàn)了一次實驗就能找到一系列的折中解。進化算法是以達爾文的進化論思想為基礎(chǔ)，一種模擬生物進化過程與機制的自組織、自適應(yīng)的人工智能技術(shù)。生物進化是通過繁殖、變異、競爭和選擇實現(xiàn)的；而進化算法則主要通過雜交，變異和選擇這三種操作實現(xiàn)優(yōu)化問題的求解。進化算法是一種解決多目標(biāo)最優(yōu)化問題的理想方法。20世紀(jì)80年代中期，作為智能計算的核心的遺傳算法理論開始在多目標(biāo)最優(yōu)化領(lǐng)域大規(guī)模應(yīng)用，從而形成了一系列的多目標(biāo)進化算法。多目標(biāo)進化算法在整個種群中搜索Perato最優(yōu)解。這種整體的性質(zhì)在解決多目標(biāo)最優(yōu)化問題上有著很明顯的優(yōu)勢。很多學(xué)者對此很感興趣，也提出了一系列的算法。它們可以大致的分為兩類一類是基于支配的適應(yīng)值分配方法，如非支配的基因搜索算法 II (nondominated sorting genetic algorithm II，NSGA-II),強 Perato 進化算法II (strength Pareto evolutionary algorithm II，SPEA_II);另一類是基于目標(biāo)的適應(yīng) 值分配方法，如加權(quán)法，極大極小法，M0EA/D。目前，大多數(shù)多目標(biāo)進化算法，包括代表當(dāng)代水平的算法，都把種群當(dāng)做一個整體，不能在一個框架中混合不同的多目標(biāo)進化算法。由“沒有免費的午餐定理”可以知道，不存在一種算法適合所有的優(yōu)化問題。即使是對同一個優(yōu)化問題，由于多目標(biāo)優(yōu)化問題的有效解是一組解，散布在目標(biāo)空間中，因此對于同一個優(yōu)化問題的不同子區(qū)域都可能需要不同的多目標(biāo)進化算法。但是，對于某一個優(yōu)化問題，事先不知道哪種多目標(biāo)進化算法最合適。如果能夠根據(jù)問題的特性，自適應(yīng)地選擇一種最合適的算法，這是十分有意義的。另外，目標(biāo)優(yōu)化問題的有效解是一組解，散布在目標(biāo)空間中，顯然，當(dāng)且僅當(dāng)兩個相鄰的個體具有相似的小生境，它們之間才存在競爭，相距較遠的兩個個體可以和平共存。由于目前大多數(shù)算法都把種群當(dāng)成一個整體，每一個都必須與當(dāng)代種群中的所有個體進行競爭，不利于保持種群的多樣性。特別是當(dāng)種群中出現(xiàn)少數(shù)幾個特別優(yōu)良的個體時，很容易產(chǎn)生“支配者效應(yīng)”。

發(fā)明內(nèi)容
為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于種群分解的自適應(yīng)混合多目標(biāo)進化方法。原則上任何多目標(biāo)進化算法都可以用來優(yōu)化每一個子種群，因此在算法框架內(nèi)可 以混合使用不同的多目標(biāo)進化算法，不同的搜索區(qū)域可能要求不同的搜索方法。通過種群在目標(biāo)函數(shù)空間的分布把種群分成若干子種群，每個子群體負(fù)責(zé)目標(biāo)空間的一個子區(qū)域。通過相鄰子種群之間的協(xié)作學(xué)習(xí)，每個子種群自適應(yīng)地選擇一個最合適的多目標(biāo)進化算法。每一個個體只需要與同一個子種群中的其它個體進行比較，減少了最優(yōu)個體的影響，保持了種群多樣性，同時減少了算法復(fù)雜度。另外，每一個子種群對應(yīng)一個外部集，這樣可以用很低的運算復(fù)雜度來實現(xiàn)保持種群多樣性。本發(fā)明的具體技術(shù)方案為一種基于種群分解的自適應(yīng)混合多目標(biāo)進化方法，包括如下步驟I)初始化參數(shù)、種群規(guī)模，分解種群，選擇適應(yīng)值分配策略；隨機均勻地產(chǎn)生5N個個體作為種群，采用動態(tài)種群分解策略用這5N個個體初始化各個子種群SPp其中j=l，2，. . .，= 為子種群的數(shù)量；初始化各個子種群SP^的隨機因子λ j ;對各個子種群
SPj隨機分配一種多目標(biāo)進化算法，并從5Ν個個體中隨機選擇5 j個個體作為子種群SPj
的外部集EPj, j=l，2，. . .，S ;其中[X]為代表不大于X的最大整數(shù)；2)從子種群SP^中隨機選擇一個個體Xi，并在Xi相對應(yīng)的外部集EP^中隨機選擇一個個體，讓X1與進行雜交變異產(chǎn)生一個新個體X1'，i = 1，…N,共產(chǎn)生N個新個體；3)把新產(chǎn)生的N個新個體用動態(tài)種群分解策略分到各個子種群體中；對第i個新個體Xi',令 J = argnrin . d( JVj)
郵f(x )d(A, B)是A和B之間的歐幾里得距離，則第i個個體Xi'就被劃分到第j個子種群；λ]為子種群SPj的隨機因子，f(Xi')第i個個體對應(yīng)的目標(biāo)函數(shù)值向量，IIf(Xi)II第i個個體目標(biāo)函數(shù)值向量的模，Wj表示第j個子種群的中心；4)更新各子種群和外部集；通過步驟I)獲得適應(yīng)值分配策略和分配多目標(biāo)進化算法時分配的選擇算子，在各個子種群SP^和分配給各個子種群SP^的新產(chǎn)生的個體中更新子種群，即選擇不超過個不同的適應(yīng)值大的個體作為下一代中的子種群SP' P其中j=l, 2，3，... S ;如果SP^中的個體和分配給SP^的新產(chǎn)生的個體總數(shù)仍小于np則將這些個體作為下一代的子種群SP' P其中j=l，2，3，... S ;更新各個子種群SP^所對應(yīng)的外部集，如果在更新子種群SP^時沒有剩余個體，則不需要更新外部集；否則，將更新子種群SP^時剩下的個體隨機替代外部集中相同數(shù)目的個體；用更新子種群SP^時的剩余個體隨機替換外部集中的相同數(shù)目的個體；5)如果mod (t，K) =0，式中t指的是當(dāng)前進化的代數(shù)，K是預(yù)先給定的一個參數(shù)，作為控制隨機因子\重置的頻數(shù)，即每隔k代重置隨機因子λ P重置子種群的隨機因子λ」，并計算每一個子種群所分配的算法的效用值A(chǔ)j
權(quán)利要求
1.一種基于種群分解的自適應(yīng)混合多目標(biāo)進化方法，其特征在于包括如下步驟 1)初始化參數(shù)、種群規(guī)模，分解種群，選擇適應(yīng)值分配策略；隨機均勻地產(chǎn)生5N個個體作為種群，采用動態(tài)種群分解策略用這5N個個體初始化各個子種群SPp其中j=l，2，SJ = 為子種群的數(shù)量；初始化各個子種群SP^的隨機因子λ j ;對各個子種群SP^隨機分配一種多目標(biāo)進化算法，并從5Ν個個體中隨機選擇個個體作為子種群SP^的外部集
2.根據(jù)權(quán)利要求I所述基于種群分解的自適應(yīng)混合多目標(biāo)進化方法，其特征在于所述的隨機因子λ j的取值范圍為[O. 8，I]，j=l,…，S。
3.根據(jù)權(quán)利要求I所述基于種群分解的自適應(yīng)混合多目標(biāo)進化方法，其特征在于所述步驟I)的分解種群，用動態(tài)種群分解策略把隨機產(chǎn)生的5N個個體分到各個子種群SPj,j=l, 2，3，... S，當(dāng)分配給子種群SPj的個體數(shù)目小于或等于子種群SPj規(guī)模的上界Iij時，子種群SP^就包括所有分配的個體；否則，通過分配的多目標(biāo)進化算法從所分配到子種群SPj的個體中選取個不同的個體作為子群體的下一代。
4.根據(jù)權(quán)利要求3所述基于種群分解的自適應(yīng)混合多目標(biāo)進化方法，其特征在于所述通過分配的多目標(biāo)進化算法從所分配到子種群SP^的個體中選取1^_個不同的個體作為子群體的下一代。
5.根據(jù)權(quán)利要求I所述基于種群分解的自適應(yīng)混合多目標(biāo)進化方法，其特征在于所述步驟I)的動態(tài)種群分解策略是將每一個子種群看成一個獨立的微群體，在每一個子種群中獨立地使用各種多目標(biāo)進化算法。
全文摘要
本發(fā)明提出了一種基于種群分解的自適應(yīng)混合多目標(biāo)進化方法，是針對目前多目標(biāo)進化算法的不足。根據(jù)目標(biāo)空間的分布把種群分解成一系列子種群，每一個子種群負(fù)責(zé)搜索目標(biāo)空間的一片子區(qū)域。為了避免在搜索過程中丟失子區(qū)域之間的邊界區(qū)域，算法動態(tài)地調(diào)整搜索范圍。不同的子區(qū)域可能需要不同的搜索方法，如果一種算法在一個子種群變現(xiàn)越優(yōu)秀，它被選擇來進化這個子種群的相鄰種群的可能性就越大。算法為每一個子種群分配一個外部集，在子種群與相應(yīng)的外部集個體之間進行交叉，變異，外部集以一種很低的運算開銷保持種群多樣性，擴大了搜索區(qū)域。分析和實驗證明該方法相比傳統(tǒng)多目標(biāo)進化算法更能有效的解決連續(xù)的多目標(biāo)問題。
文檔編號G06N3/12GK102708407SQ20121015155
公開日2012年10月3日 申請日期2012年5月15日 優(yōu)先權(quán)日2012年5月15日
發(fā)明者劉海林, 辜方清, 陳磊 申請人:廣東工業(yè)大學(xué)