第 32卷 第 11期 控 制 与 决 策 Vol.32 No.11
2017年 11月 Control and Decision Nov. 2017
文章编号: 1001-0920(2017)11-1985-06 DOI: 10.13195/j.kzyjc.2016.1250
基于参数动态调整的多目标差分进化算法
侯 莹
†
,韩红桂,乔俊飞
(1. 北京工业大学 信息学部,北京 100124;2. 计算智能与智能系统北京市重点实验室,北京 100124)
摘 要: 针对多目标差分进化算法最优解难以获取的问题, 提出一种基于参数动态调整的多目标差分进化
(AMODE)算法. AMODE算法通过设计变异率和交叉率的自适应调整策略, 实现进化过程中变异率和交叉率的动
态调整, 均衡多目标差分进化算法的局部搜索能力和全局探索能力, 获得收敛性、多样性和均匀性较好的最优解.
实验结果表明, 基于参数动态调整的 AMODE 算法能够有效改善多目标差分进化算法的逼近能力 (IGD)和均匀性
(SP),具有较好的优化效果.
关键词: 多目标优化;差分进化算法;参数动态调整;自适应
中图分类号: TP173 文献标志码: A
Adaptive multi-objective differential evolution algorithm based on the
dynamic parameters adjustment
HOU Ying
†
,HAN Hong-gui,QIAO Jun-fei
(1. Faculty of Information Technology,Beijing University of Technology,Beijing 100124 ,China;2. Beijing Key
Laboratory of Computational Intelligence and Intelligent System,Beijing 100124,China)
Abstract: To obtain the optimal solutions of the multi-objective differential evolution algorithm, an adaptive multi-
objective differential evolution(AMODE) algorithm based on the dynamic parameters adjustment strategies is developed,
in which the adaptive adjustment strategies are designed to select the scaling factor and crossover rate. Then, the suitable
scaling factor and crossover rate can be calculated in the mutation and crossover processes to balance the local search and
the global exploration abilities of the multi-objective differential evolution algorithm. Thus, the integrity and uniformity
optimal solutions are able to be obtained in the evolutionary process. The experimental results show that this proposed
AMODE algorithm has a better effect to improve the inver ted generational distance(IGD) and spacing(SP).
Keywords: multi-objective optimization;differential evolution algorithm;dynamic parameters adjustment;adaptive
0 引 言
差分进化算法 (DE) 由于其机理简单、受控参数
少、鲁棒性强等特点, 已成功应用于非线性优化控制、
约束优化计算、神经网络优化等问题
[1-3]
. 近年来, 随
着科学研究与工程实践中系统的规模不断增大、约
束条件不断增多, 优化问题变得越来越复杂, 需要同
时对多个目标进行优化. 由于多目标优化中各目标
之间往往相互矛盾, 相互冲突, 对其中一个目标优化
必须以牺牲其他目标为代价, 单目标 DE 已很难满足
实际的需要
[4-5]
.
为了对多目标优化问题进行求解, 多目标差分
进化算法 (MODE) 已成为国际学术界的一个研究热
点
[6-7]
. 优化问题的复杂化对 MODE 性能提出了更高
的要求, Elsayed 等提出了一种改进型自适应 MODE,
通过使用混合变异算子策略提高算法的全局探索能
力, 并引入自适应进化策略改善了其局部搜索能力,
取得了较好的优化结果
[8]
; Bandyopadhyay 等提出了
一种 α-DEMO 算法, α-DEMO 算法通过记录多目标
间的冲突状态, 并对冲突目标进行参数补偿, 有效地
改善了 MODE 的局部搜索能力
[9]
; 通过将混沌引入
种群的初始化, 章萌等提出了一种多目标强度 Pareto
混沌差分进化算法, 同时设计出均匀排挤机制和混
沌替换方式进行种群的选择, 并利用变缩放因子变
异策略对优化过程进行了改进, 保证了 Pareto最优解
收稿日期: 2016-10-03;修回日期: 2017-02-17.
基金项目: 国家自然科学基金项目 (61533002, 61622301);中国博士后科学基金项目 (2014M550017);教育部博士点
基金项目(20131103110016);北京市教委项目(KM201410005001, KZ201410005002).
作者简介: 侯莹 (1982−), 女, 博士生, 从事智能计算、复杂过程智能优化的研究;韩红桂 (1983−), 男, 教授, 博士生
导师, 从事污水处理过程建模、优化与控制等研究.
†
通讯作者. E-mail: houying17@sina.com