[發(fā)明專利]基于動態(tài)分解和選擇的超多目標(biāo)優(yōu)化方法、系統(tǒng)、終端

在審

• 申請?zhí)枺?/td>: 202110050873.3
• 申請日: 2021-01-14
• 公開（公告）號: CN112734122A
• 公開（公告）日: 2021-04-30
• 發(fā)明（設(shè)計）人: 王茂才;包芊;戴光明;彭雷;宋志明;陳曉宇
• 申請（專利權(quán)）人: 中國地質(zhì)大學(xué)（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(chǎn)權(quán)代理有限公司 11401
• 代理人: 楊采良

本發(fā)明屬于計算機技術(shù)領(lǐng)域，公開了一種基于動態(tài)分解和選擇的超多目標(biāo)優(yōu)化方法、系統(tǒng)、終端，隨機初始化具有N個個體的種群P；利用DDS選擇N個優(yōu)秀個體作為下一代演化子代P，并計算出被選個體距離超平面的距離和個體對應(yīng)的參考點之間的距離；初始化子代種群O為空集；針對父代中的N個個體，開始循環(huán)處理；初始化用于存儲子代個體的R，對當(dāng)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；重復(fù)進行種群選擇直至達到最大演化代數(shù)為止。本發(fā)明利用每一代個體的收斂性和個體之間的多樣性，作為個體在交配變異的信息，可以促使后代朝著更好的方向進化。

技術(shù)領(lǐng)域

本發(fā)明屬于計算機技術(shù)領(lǐng)域，尤其涉及一種基于動態(tài)分解和選擇的超多目標(biāo)優(yōu)化方法、系統(tǒng)、終端。

背景技術(shù)

目前，單目標(biāo)、多目標(biāo)以及超多目標(biāo)優(yōu)化問題是日常生活中常見的問題。針對單目標(biāo)優(yōu)化問題，演化算法(Evolutionary Algorithm，EA)利用自然進化選擇和自然進化的隨機搜索機制，很好的解決了此類問題。但是在多目標(biāo)與超多目標(biāo)優(yōu)化問題中，目標(biāo)之間存在著相互沖突或者相互促進的關(guān)系。所以多目標(biāo)和超多目標(biāo)優(yōu)化不同于單目標(biāo)優(yōu)化，單目標(biāo)優(yōu)化存在唯一的最優(yōu)解。但多目標(biāo)和超多目標(biāo)優(yōu)化問題需要通過權(quán)衡各個小目標(biāo)，來獲取一系列的最優(yōu)解集。

針對多目標(biāo)優(yōu)化問題和超多目標(biāo)優(yōu)化問題，常用的方法類型有：基于支配的，基于指標(biāo)和基于分解的。其中，基于分解的算法由于其使用的廣泛性，備受一些研究者地關(guān)注。基于分解的多目標(biāo)優(yōu)化算法，最具有代表性的就是MOEA/D，將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為一系列單目標(biāo)優(yōu)化問題，并對這些單目標(biāo)優(yōu)化問題同時進行優(yōu)化。

隨著研究的不斷深入，一些專家學(xué)者發(fā)現(xiàn)。傳統(tǒng)的基于分解的算法，每個子區(qū)域在每一代演化過程中都是固定不變的，將會導(dǎo)致基于分解的多目標(biāo)優(yōu)化算法的性能受到真實Pareto fronts(PF)形狀的影響。

DDEA算法使用了動態(tài)分解的方法去解決超多目標(biāo)優(yōu)化的問題。在此算法中，固定的參考點被解集自身取代。因為在演化過程中，可以根據(jù)解集的分布情況可以更好的反映出PF的形狀。但是此算法選擇最優(yōu)解集，容易使得算法在解決具有凸類型的PF問題，解集都集中于PF的中間部分。導(dǎo)致所獲得解集多樣性差，解集陷入局部最優(yōu)。

通過上述分析，現(xiàn)有技術(shù)存在的問題及缺陷為：現(xiàn)有的多目標(biāo)有優(yōu)化方法不適用所有情景，同時其優(yōu)化結(jié)果具備一定限制。

解決以上問題及缺陷的難度為：

不知道真實的Pareto front，根據(jù)最優(yōu)解自身可以大致反映出真實PF。DDEA算法雖然可以動態(tài)的調(diào)整參考點的位置，但是在選擇最優(yōu)個體時，容易使得具有凸類型的PF問題最優(yōu)個體聚集到PF的中部，導(dǎo)致解集的多樣性差，解集陷入局部最優(yōu)。

解決以上問題及缺陷的意義為：

解決該問題之后，算法的魯棒性更強。可以使得得到的解均勻分布到整個PF面上，得到一組最優(yōu)解集。提高后的算法可以更好的解決不同類型的PF問題，比如復(fù)雜的、多峰的、凸類型和凹類型等問題。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種基于動態(tài)分解和選擇的超多目標(biāo)優(yōu)化方法、系統(tǒng)、終端。

本發(fā)明是這樣實現(xiàn)的，一種基于動態(tài)分解和選擇的超多目標(biāo)優(yōu)化方法，所述基于動態(tài)分解和選擇的超多目標(biāo)優(yōu)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(dāng)代演化代數(shù)為0；計算出被選個體距離超平面的距離和個體對應(yīng)的參考點之間的距離，并利用DDS策略選擇N個優(yōu)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；