一种针对高维多目标优化问题的Pareto集个体排序方法技术

本发明专利技术公开了一种针对高维多目标优化问题的Pareto集个体排序方法，该方法在比较种群个体优劣时，引入了一个新的参考点种群，通过比较种群个体与参考点之间的Pareto支配关系，间接地得到种群个体之间的优劣关系，即个体适应度。同时依据参考点与种群个体的支配关系，参考点也获得了一个适应度值。由此，在设计进化多目标优化算法的过程中，可将个体种群和参考点种群协同进化，二者互相促进，最终提高算法的收敛性。经验证该方法在高维多目标优化问题上依然有效。

【技术实现步骤摘要】

本专利技术属于人工智能领域，特别涉及到的是智能优化算法设计领域。具体而言是 一种针对多目标优化问题帕累托（Pareto)集的解个体优劣排序方法，适用于各类多目标 智能优化算法，如多目标遗传算法、多目标粒子群、蚁群算法等。
技术介绍
在日常生活、科学研宄和工程实践中很多决策优化问题，如城市区域划分、网 络优化、作业调度等都涉及到多个目标的优化，称为多目标优化问题（Multi-objective Optimization Problem, MOP)。通常在MOP中，多个优化目标是親合在一起且处于相互竞争 的状态，即某个目标的改善可能引起其他目标性能的降低。不同于单目标优化问题，针对 MOP -般不存在一个解能够使所有目标同时达到最优，MOP的解通常是一组Pareto最优解。 决策者可根据实际情况或个人偏好选择一个解作为最终实施方案。 传统处理MOP的方法是将多个目标函数通过偏好加权转化为单目标优化问题。 其缺陷主要有：1)决策者很难对问题有全面的理解，因而不易获取准确的偏好权重；2) - 旦决策者的偏好改变，只能重新进行优化搜索。智能多目标优化方法（Multi-object本文档来自技高网...

【技术保护点】
一种针对高维多目标优化问题的Pareto集个体排序方法，其特征在于包括以下步骤：(1)Pareto集个体归一化：针对当前所产生的Pareto集个体，获取每一个目标函数fi的最大值，max(fi)和最小值，min(fi)，然后依据公式(1)将个体目标函数值转换到区间[0,1]；f‾i=fi-min(fi)max(fi)-min(fi)i=1,2,...,M---(1)]]>(2)将个体进行非劣分层：首先根据Pareto支配关系，将所有非支配个体都分配到第一层，其次将这些个体移除，将剩余个体中的非支配个体分配到第二层，如此重复直至所有个体都非配到相应的非劣层；(3)生成参考点集(记...

【技术特征摘要】

【专利技术属性】
技术研发人员：王锐，史志超，张涛，刘亚杰，雷洪涛，张福兴，查亚兵，
申请(专利权)人：中国人民解放军国防科学技术大学，
类型：发明
国别省市：湖南;43