基于决策变量分解的鲁棒多目标优化方法技术

本发明专利技术公开一种基于决策变量分解的鲁棒多目标优化方法，该方法包括：S1：在初始化种群之后，采用决策变量分解策略将测试函数中的所有决策变量分解为低支配鲁棒相关变量和高支配鲁棒相关变量；S2：对初始化种群Po中的低支配鲁棒相关变量进行优化，得到一组优化种群P1；S3：对优化种群P1中的高支配鲁棒相关变量进行优化，得到最终的支配鲁棒最优解集S。上述方法在多目标优化过程中可以获取具有良好收敛性和鲁棒性的支配鲁棒解。

【技术实现步骤摘要】
基于决策变量分解的鲁棒多目标优化方法
本专利技术属于通信技术，尤其涉及一种基于决策变量分解的鲁棒多目标优化方法。
技术介绍
多目标优化问题主要是包括多个相互冲突的目标函数，即目标函数无法同时达到最优，在生产和生活过程中较为常见，例如，在流程工业自动化生产过程中，需要同时考虑产品质量最优、能耗最小、废品率最低等问题；在生产调度问题中，需要考虑调度所需时间、工人所需休息时间以及设备维护保养时间等；在经济增长中，包括经济总量、国民收入、资源消耗与环境保护等。在多目标优化问题中，如果改善某个目标的性能，往往会引起其它某个或者多个目标的性能下降。所以，多目标优化问题是去协调权衡此类矛盾，兼顾各个指标，选出满意的方案。近年来，多目标优化问题得到学术界的广泛关注，衍生了一类能够在单次运行下找出一系列最优解的进化算法。然而，在实际问题中存在各式各样的不确定性因素，将直接影响到最优解的最优性能。例如，在生产调度问题中，产品质量的不确定性将会影响调度策略；在工业生产过程中，存在一些不可避免的误差；电磁铁实验中材料温度受周围环境温度干扰而发生变化，因此，研究对外部扰动不敏感的鲁棒最优解具有十分重要的理论意本文档来自技高网...

【技术保护点】
1.一种基于决策变量分解的鲁棒多目标优化方法，其特征在于，包括：S1：在初始化种群之后，采用决策变量分解策略将测试函数中的所有决策变量分解为低支配鲁棒相关变量和高支配鲁棒相关变量；S2：对初始化种群Po中的低支配鲁棒相关变量进行优化，得到一组优化种群P1；S3：对优化种群P1中的高支配鲁棒相关变量进行优化，得到最终的支配鲁棒最优解集S。

【技术特征摘要】
1.一种基于决策变量分解的鲁棒多目标优化方法，其特征在于，包括：S1：在初始化种群之后，采用决策变量分解策略将测试函数中的所有决策变量分解为低支配鲁棒相关变量和高支配鲁棒相关变量；S2：对初始化种群Po中的低支配鲁棒相关变量进行优化，得到一组优化种群P1；S3：对优化种群P1中的高支配鲁棒相关变量进行优化，得到最终的支配鲁棒最优解集S。2.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：S21：输入初始化种群Po；S22：对初始化种群Po中的低支配鲁棒相关变量进行两两交叉的变异操作，高支配鲁棒相关变量固定不变，得到子代种群Ps；S23：将初始化种群Po和子代种群Ps相结合，产生一个联合种群Pi；S24：采取任意一个基于支配的多目标优化算法对联合种群Pi进行优化，产生新的优化种群P1。3.根据权利要求2所述的方法，其特征在于，所述步骤S23包括：Pi＝Po∪Ps。4.根据权利要求1或2所述的方法，其特征在于，所述步骤S3包括：S31：输入优化种群P1；S32：将优化种群P1中的高支配鲁棒相关变量进行两两交叉的变异操作，其余的决策变量固定不变，产生新的子代种群P1′；S33：将优化种群P1和子代种群P′1相结合得到新的联合种群P′i；S34：将联合种群中P′i的所有个体按照公式(2)进行转化，得到转化后的种群P2；其中，ε是一个正整数；DR(X)是个体X的支配鲁棒性的测量值，Bδ(X)是围绕...

【专利技术属性】
技术研发人员：刘建昌，刘圆超，谭树彬，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21