-
题名决策空间定向搜索的高维多目标优化策略
被引量：7
- 1
-
-
作者
郑金华
董南江
阮干
邹娟
杨圣祥
-
机构
智能计算与信息处理教育部重点实验室(湘潭大学)
智能信息处理与应用湖南省重点实验室(衡阳师范学院)
School of Computer Science and Informatics
-
出处
《软件学报》
EI
CSCD
北大核心
2019年第9期2686-2704,共19页
-
基金
国家自然科学基金(61772178,61502408,61673331)
湖南省教育厅重点项目(17A212)
+1 种基金
湖南省自然科学基金(2017JJ4001)
湖南省科技计划(2016TP1020)~~
-
文摘
传统的多目标进化算法(MOEA)对于低维连续的多目标优化问题已经具有良好的性能,但是随着优化问题目标维数的增加,优化难度也将剧增,主要原因是算法本身搜索能力不足,维数增加时选择压力变小,收敛性和分布性冲突难以平衡.利用连续多目标优化问题的特性,针对高维多目标优化的难点所在,提出了一种在决策空间的定向搜索策略(decision space,简称 DS),该策略可与基于支配关系的 MOEA 相结合.DS 首先对优化问题进行采样分析,对问题特性进行解析,得到收敛性子空间控制向量和分布性子空间控制向量.将算法搜索过程分为收敛性搜索阶段和分布性搜索阶段,分别对应收敛性子空间和分布性子空间,在不同阶段搜索时,利用采样分析结果,对生成子代个体的区域进行宏观的影响.将收敛性和分布性分阶段考虑,避免了收敛性和分布性难以平衡的难点,同时,具体在某一阶段内搜索资源相对集中,一定程度上增加了算法的搜索能力.实验结合了 DS 策略的 NSGA-II,SPEA2 算法与原NSGA-II,SPEA2 算法进行实验对比,并以 DS-NSGA-II 为例,与其他高维算法 MOEAD-PBI,NSGA-III,Hype,MSOPS,LMEA进行对比实验.实验结果表明,DS策略的引入,使得 NSGA-II,SPEA2算法在高维多目标优化问题上的性能有了显著提高,DS-NSGAII 与现有的经典高维多目标算法相比有较强的竞争力.
-
关键词
高维多目标优化
决策空间
定向搜索
收敛性子空间
分布性子空间
-
Keywords
high dimensional multi-objective optimization
decision space
directional search
convergence subspace
distribution subspace
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
