论文部分内容阅读
在科学研究和实际工程应用中，经常需要对多个指标同时进行寻优，因此多目标优化问题普遍的存在于实际工程应用中，对其进行深入研究具有重要的理论价值并且能够产生重大的经济效益。但是在对多个目标问题进行求解时，因为求解问题之间的相互冲突，导致无法找到使得两个目标同时最优的解。针对该问题，以Pareto支配为基础的进化算法具有明显的优势，但是传统的多目标进化算法也只能解决低维度的问题，对于目标高维和决策变量高维的问题性能会变得很差，因此，对于高维问题的研究是一个重点研究方向。在基于Pareto支配排序的方法中，当目标的维度很高时种群中个体差异变得很小，进化压力也趋于消失，因此严重影响了算法的寻优。近些年来，研究人员一般分两个方向对多目标问题进行研究:一方面是针对目标的高维情况从不同的角度进行解决，包括修改种群个体支配方式、以及目标降维分解的方式;另一方面是针对决策变量的高维情况，对决策变量进行先分组然后再使用进化算法进行寻优。本文的主要工作内容和研究成果安排如下: 首先，针对现有的多目标进化算法在高维问题上性能变差的缺点，为了动态调整种群在进化过程中的选择压，本文在GPO-NSGA-Ⅱ算法基础上提出了基于扩张角动态变化的DGPO-NSGA-Ⅱ算法，目的是利用扩张角的动态改变来改变种群进化过程中的选择压，使得种群在进化的过程中获得更好的收敛性和多样性。最后，为了检验该算法在实际工程应用中的效果，将该算法应用在了船舶主尺度设计模型中。 其次，传统关于降维的高维多目标进化算法在对目标进行降维后可能存在降维结果不精确问题，本文在传统PCA-NSGA-Ⅱ降维算法的基础上，结合了目标降维结果的一致性检验方法，以及基于扩张角的宽松Pareto支配优化方法提出了新的高维多目标降维优化算法COPCA-GPONSGA-Ⅱ。该算法在进化前期对降维的目标集作一致性检验，以排除进化初期信息不完善带来的不足，同时又使用了基于扩张角的宽松Pareto支配方法，使种群在进化过程中具有足够的选择压。 最后，对于在高维多目标优化问题中决策变量的高维情况，本文在进化算法基础上提出了基于决策变量进行分组的DC-GPO-NSGAⅡ算法。该算法中为了将决策变量进行分组，首先构造了基于角度的决策变量分类器，将决策变量分成收敛性相关组和多样性相关组，而后又根据决策变量的关联性分析方法将收敛性相关的变量进一步进行分组，使得变量组与变量组之间没有任何关联。为了解决目标高维带来的选择压减小的不足，本文使用了基于扩张角的宽松Pareto支配方式对种群个体进行排序，从而使得种群可以在目标高维的情况下也可以进行有效进化。