约束优化问题中多目标进化算法的反对称修复操作器

0 下载量 127 浏览量 更新于2024-08-29 收藏 536KB PDF 举报
"这篇论文提出了一种用于多目标约束优化问题的反对称修复操作符,旨在解决违反盒约束的解决方案。修复操作符采用反向校正策略,有效地防止种群陷入局部最优。该操作符被集成到两个经典的多目标进化算法MOEA/D和NSGA-II中,以增强它们在处理约束条件下的优化能力。" 本文主要讨论的是在多目标优化问题(MCOPs)中的约束优化策略。多目标优化问题涉及寻找一组解,这些解在多个相互冲突的目标函数之间达到平衡,同时还要满足一系列约束条件。传统的优化方法在处理这类问题时可能会遇到困难,特别是在约束条件下,可能导致生成的解决方案不合法或性能不佳。 论文提出了一个创新的修复操作符,其核心是反向校正策略。当解决方案违反了约束(即超出规定的盒约束)时,这种修复操作符会介入。盒约束通常是指限制决策变量的取值范围,确保解决方案在可行域内。反向校正策略的目的是通过一种相反的调整方式来修复超出约束的解,这种方法能够帮助算法避免陷入局部最优,从而提高全局探索能力。局部最优是指算法在优化过程中过早收敛到一个不是全局最优的解决方案。 为了验证新修复操作符的有效性,作者将其集成到两种著名的多目标进化算法中:分解式多目标进化算法(MOEA/D)和非支配排序遗传算法II(NSGA-II)。这两种算法在多目标优化领域有着广泛的应用,但它们自身在处理约束问题时可能不够理想。通过结合修复操作符,算法能够在保持原有的优点的同时,增强处理约束的能力,生成更合规且分布均匀的帕累托前沿。 此外,论文在2015年国际自然计算会议(ICNC)上发表,表明了研究的学术性和专业性。参与研究的学者来自华南理工大学、汕头大学等知名高校,以及美国密歇根州立大学的BEACON研究中心,展示了跨学科的协作与深度研究。 这篇论文提出的反对称修复操作符为多目标优化问题提供了一种新的解决方案,尤其是在处理约束条件时,提高了优化算法的性能和全局搜索能力。这一方法对于优化领域的理论研究和实际应用都具有重要的参考价值。