-
题名基于自适应惩罚策略的MOEA/D算法设计及应用
被引量:1
- 1
-
-
作者
柯永斌
周红标
-
机构
淮阴工学院电子信息工程学院
淮阴工学院自动化学院
-
出处
《微电子学与计算机》
北大核心
2020年第7期59-65,共7页
-
基金
江苏省产学研前瞻性项目(BY2016061-02)。
-
文摘
基于分解的多目标进化算法(Multiobjective evolutionary algorithm based on decomposition, MOEA/D)将一个多目标优化问题(multiobjective optimization problem, MOP)分解成一系列的单目标优化子问题,然后利用相互协作的进化方式优化这些子问题. MOEA/D利用独特的分解机制促进种群逼近Pareto最优前端(Pareto optimal front, POF),同时利用均匀分布的权重向量维护种群的多样性,在解决MOPs时具有较大的优势.但是,在实际工程中,大多数MOPs的POF具有复杂的特性.比如说POF可能具有长尾和顶点,这极大地降低了MOEA/D算法的性能.基于惩罚的边界交集法(penalty-based boundary intersection, PBI)是MOEA/D常用的分解方法之一.在PBI法中,惩罚因子起着平衡算法收敛性和多样性的关键作用.本文提出了一种自适应惩罚策略(adaptive penalty strategy, APS),能够在进化过程中自适应调整每个权重向量对应的惩罚因子值,有效地增强了近似Pareto前端的多样性.最后,利用六个具有复杂POF的基准MOPs和空间桁架结构多目标优化实验验证了所提MOEA/D-APS算法的有效性.
-
关键词
多目标优化
分解
基于惩罚的边界交集法
自适应惩罚策略
复杂Pareto最优前沿
空间桁架结构优化
-
Keywords
multiobjective optimization
decomposition
penalty-based boundary intersection
adaptive penalty strategy
complex Pareto optimal front
space truss structure optimization
-
分类号
TP274
[自动化与计算机技术—检测技术与自动化装置]
-