多目标差分进化算法的改进研究.doc

多目标差分进化算法的改进研究在学术研究和工程实践当中存在许多多目标优化问题,不同于单目标优化问题,多目标优化问题由于各个目标之间相互制约,很难让所有的优化目标同时达到最优。因此,只能对各个目标进行协调以寻求折中最优解。加之多目标优化问题大多具有高维、多峰、不连续等特性,故而给多目标问题的求解增添了许多难度。差分进化(DifferentialEvolution,DE)算法作为目前最优秀的智能优化算法之一,具有操作简单、可控参数少、收敛速度快、全局搜索能力强等特点,大量实验数据表明,差分进化算法在处理多目标优化问题上表现出非常显著的效果,现已被广泛使用在图像处理、生产调动、神经网络、故障诊断等诸多领域当中。然而,DE算法和其他进化算法一样,在对高维、多峰、多目标等复杂的问题进行优化时仍不可避免地存在早熟、停滞等问题。本课题对DE算法进行系统的研究和分析,针对其探索和开发能力之间存在的矛盾。从算法的结构和关键步骤,如变异操作、交叉操作等多方面入手,进行了深入分析和大量的实验仿真,最后提出了两个改进的方案,使其在收敛速度和精度上都得到大幅度提升,在处理复杂高维多峰问题上有了很明显的改善。第一个方案,提出一种基于分类策略的DE算法(classified-BasedDifferentialEvolution,C-DE):采用分类的思想把种群划分成多个子群,对各个子群根据不同的特点采用不同的变异策略,从而来提高算法的收敛速度和精度。具体的改进措施如下:1、设计一种新的DE变异策略DE/rand-to-best/pbest。利用历代最优提供搜索方向的指导性信息,来提高算法的收敛速度;2、引入分类策略。有针对性地调整不同特性个体的进化程度,来平衡算法的探索和开发能力。在9个标准测试函数上的实验仿真结果表明,C-DE算法能有效提高算法收敛速度、精度以及鲁棒性,其相关性能指标优于国内外多种先进的DE算法。第二个方案,提出一种基于混沌局部搜索策略的DE算法(DifferentialEvolutionAlgorithmBasedonChaoticLocalSearch,CL-DE):采用混沌局部搜索策略,在最优个体附近作混沌局部搜索,以此来提高算法的性能。也分两个步骤来实施的:1、设计一种新的DE变异策略DE/best-to-pbest/1;2、引入混沌局部搜索策略。与局部搜索的混合大大地加快算法的收敛速度和最优值精度。实验表明,C-DE和CL-DE算法都表现出优秀的性能,其中,CL-DE算法在处理多模态问题时效果更好。最后,把CL-DE算法运用到多目标优化问题上来,提出来一种对应的多目标差分进化算法CL-MODE。仿真实验证明了这种算法性能优越。