[發明專利]基于動態分解和選擇的超多目標優化方法、系統、終端

在審

• 申請號: 202110050873.3
• 申請日: 2021-01-14
• 公開（公告）號: CN112734122A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 王茂才;包芊;戴光明;彭雷;宋志明;陳曉宇
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/12
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 楊采良

1.一種基于動態分解和選擇的超多目標優化方法，其特征在于，所述基于動態分解和選擇的超多目標優化方法包括：

步驟一，隨機初始化具有N個個體的種群P，初始化當代演化代數為0；計算出被選個體距離超平面的距離和個體對應的參考點之間的距離，并利用DDS策略選擇N個優秀個體作為下一代演化子代P；

步驟二，初始化子代種群O為空集；

步驟三，針對父代中的N個個體，開始循環處理；初始化用于存儲子代個體的R，對當前父代利用Mating-Selection選擇出一個交配個體；對兩個父代利用SBX和PM生成一個子代R，將子代R加入到子代種群O中；

步驟四，重復步驟三，直至產生的子代種群集O的大小為N個為止；合并子代O和原來的父代P，組成一個新的種群大小為2N的種群P；在種群P中利用DDS選擇得到最優的N個種群P；

步驟五，演化代數加1，重復步驟二至步驟四，直至達到最大演化代數為止。

2.如權利要求1所述基于動態分解和選擇的超多目標優化方法，其特征在于，所述步驟一種群P的初始化處理包括：

(1)在種群P中尋找每一位坐標軸上所對應的極值點，第i個坐標軸上的極值點如下：

式中，表示每個目標上最小的值；

(2)根據矩陣E＝(e₁-z^*,e₂-z^*,...,e_M-z^*)^T和u＝(1,1,...,1)^T構造超平面H；

其中，a₁,a₂,...,a_m是超平面H每個方向上的截距；a_i為第i個坐標軸上的截距；

(3)將種群P中的每一個個體都歸一化為：

(4)將種群中每個個體x都轉化為平面上的參考點RP：

3.如權利要求1所述基于動態分解和選擇的超多目標優化方法，其特征在于，所述步驟三對當前父代利用Mating-Selection選擇出一個交配個體包括：

設置一個隨機數，當該隨機數大于ζ時，隨機從父代中選擇一個個體進行交配；否則，在選擇距離該個體最近(d₂最小)的K個個體，然后從這K個個體中選擇d₁最小的那個個體進行交配。

4.如權利要求1所述基于動態分解和選擇的超多目標優化方法，其特征在于，所述步驟四在種群P中進行DDS選擇得到最優的N個種群P包括：

1)將每個軸上的極值點加入到已經選擇的個體集Q中,余下的個體W＝P-Q。得到每個個體對應在超平面上參考點的距離distance，x,y∈P，則個體x和個體y之間的距離為distance(x,y)；

distance(x,y)＝||RP(x)-RP(y)||₂

2)選擇一個個體x距離已經選擇解集Q最遠的那個個體作為中心軸ρ，計算公式如下：

3)以選擇的軸ρ為出發點，選擇一組多樣性最好的解作為候選解集S_A；確定選擇候選解的標準，進行候選解選擇：

d₂(x,p)＝distance(x,p)

S_A＝{F(x)∈R^m|d₂(x,p)≤dst(x,Q)}

S_B＝{F(x)∈R^m|d₂(x,p)＞dst(x,Q)}；

4)從候選解集S_A中選擇一個最優解s，根據超平面懲罰函數HPF進行動態選擇，公式如下：

HPF(x,p)＝d₁+θ*d₂；

其中，d₁用于衡量個體的收斂性，d₂用于衡量個體之間的多樣性；θ根據演化代數進行調整。