协同进化的多目标差分进化方法技术

本发明专利技术公开了协同进化的多目标差分进化方法，该方法在每一代迭代过程中维持两个种群：进化种群和竞争种群，初始化阶段，在待优化问题的决策空间中随机产生两个同等规模的进化种群和竞争种群；在逐代进化过程中对进化种群依次执行差分变异、差分交叉和差分选择操作，以生成子代种群；将子代种群和竞争种群合并获得临时中间种群，运用快速非支配排序方法对中间种群进行排序，选取前面较优的若干个体组成下一代进化种群；基于排序结果和拥挤距离策略更新外部档案集，并利子代种群更新竞争种群；上述过程反复执行，直至满足终止条件。本发明专利技术的方法有效解决了遗传算法易于早熟收敛和差分进化收敛速度慢的问题，显著改善了多目标进化算法的整体性能。

Multiobjective differential evolution based on Coevolution

【技术实现步骤摘要】
协同进化的多目标差分进化方法
本专利技术涉及智能优化算法领域。更具体地说，本专利技术涉及一种协同进化的多目标差分进化方法。
技术介绍
在进化算法发展过程中，许多新的智能优化算法不断涌现出来，这些算法往往针对某一种类型的优化问题可以获得较好的结果，但对于其他类型的优化问题表现却不尽人意，因此不同算法之间的协同也成为智能优化领域新的研究方向。目前，在多目标进化算法的研究领域中，遗传算法(GA)和差分进化(DE)算法因实现简单、且性能表现优良而一直被众多研究者关注。遗传算法具有优秀的全局寻优性能，其在寻优区域内能较快发现全局最优解，同时GA可以利用内在的并行性，可以方便地进行分布式计算，加快求解的速度。然而，GA的局部寻优能力较差，特别是GA在迭代的末期寻优能力较弱，其在解决实际问题时容易出现早熟收敛的问题。而差分进化算法也是一种并行寻优方法，DE针对群体中个体的分布情况执行进化操作，可以较好地解决算法早熟收敛的问题，同时DE具有较好的并行性和鲁棒性，但DE收敛速度较慢，需要结合其他一些收敛性能较好的算法方能发挥出其性能和优势。
技术实现思路
本专利技术的目的是提供一种协同进化的多目标差分进化方法，该方法能有效解决多目标遗传算法易于早熟收敛和求解精度不高的缺点，给出一种在多目标进化算法框架下，遗传算法和差分进化算法协同进化，高效求解复杂多目标优化问题的技术方法。为了实现根据本专利技术的目的和其它优点，提供一种协同进化的多目标差分进化方法，包括以下步骤：S1：设定多目标优化问题的目标数目M，最大迭代次数Tmax，决策向量的维度n，种群的规模为N，外部档案集的容量为N'，仿二进制交叉分布指数η，变异概率pm，差分进化缩放因子F；S2：初始化：令迭代计数器t＝0，置初始的外部档案集Arc(t)为空，并利用随机化方法在待优化问题的决策空间中分别产生一个规模为N的初始进化种群P(t)和一个规模为N的初始竞争种群Pc(t)；S3：计算进化种群P(t)中各个体的目标函数值向量；S4：根据步骤S3中计算的结果，利用快速非支配排序方法对进化种群P(t)进行排序，根据排序结果将P(t)中的非支配个体拷贝到外部档案集中，若外部档案集满，则利用拥挤距离策略对外部档案集进行修剪；S5：对进化种群P(t)依次执行差分变异、差分交叉和差分选择操作，生成规模为N的子代种群P’(t)；S6：令Ptem(t)＝Pc(t)∪P’(t)，Ptem(t)为临时的中间种群，其规模为2N；S7：计算Ptem(t)中各个体的目标函数值向量；S8：根据步骤S7的计算结果，利用快速非支配排序方法对Ptem(t)进行排序，根据排序的结果将Ptem(t)中的非支配个体拷贝到外部档案集中，若外部档案集已满，则利用拥挤距离策略对外部档案集进行修剪；S9：根据步骤S8的排序结果，从Ptem(t)中选择前N个较优的个体组成算法的下一代进化种群P(t+1)，并令Pc(t+1)＝P’(t)；S10：判断迭代次数t是否达到Tmax，若未达到，则t＝t+1，并转至步骤S3；否则，转至步骤S11；S11：输出外部档案集中的全部解个体，结束。优选的是，所述的协同进化的多目标差分进化方法，S2中，其中，i∈[1:N]，t为算法迭代次数。优选的是，所述的协同进化的多目标差分进化方法，S5中，对进化种群P(t)依次执行差分变异、差分交叉和差分选择操作，具体为：1)差分变异：对进化种群P(t)中的任一个体按照公式生成变异个体其中，F为缩放因子，和是通过随机方式从进化种群P(t)中选择的两个个体，且满足i≠a≠b，i∈[1:N]；2)差分交叉：将变异个体和目标个体按照公式进行离散交叉，生成交叉个体其中，pc为交叉变异的概率，randij[0,1]为均匀分布在[0,1]之间的随机数，j＝1,2,…,D，D为决策向量的维度，jrand为均匀分布在[1,D]之间的随机数，j＝jrand，i∈[1:N]；3)差分选择：若支配则成为下一代个体；若支配则舍弃若与相互非支配，则选择为下一代个体。优选的是，所述的协同进化的多目标差分进化方法，在S4和S8中，所述拥挤距离策略的执行机制，以个体xi为例，假设在高维目标空间中与xi相邻近的个体分别为xi-1和xi+1，则个体xi的拥挤距离其中，fj(xi+1)表示个体xi+1在第j个目标函数上的值，M为待优化多目标优化问题的目标数目。本专利技术至少包括以下有益效果：本专利技术在多目标进化算法中引入协同进化机制，通过进化种群和竞争种群在算法迭代过程中的竞争与合作来促进种群的进化。本专利技术的方法将遗传算法和差分进化算法有机结合，利用遗传算法良好的收敛性能克服差分进化算法收敛速度慢的问题，同时利用差分进化算法良好的自适应性和均衡的全局与局部搜索能力克服遗传算法易于陷入局部最优和早熟收敛的问题。本专利技术的方法利用遗传算法和差分进化算法之间的协同进化，显著地改善了多目标进化算法的整体性能。本专利技术的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本专利技术的研究和实践而为本领域的技术人员所理解。附图说明图1为本专利技术的方法流程示意图；图2为本专利技术的方法在测试函数ZDT6上的验证效果图；图3为本专利技术的方法在测试函数DTLZ7上的验证效果图；图4为本专利技术的方法在测试函数WFG3上的验证效果图；图5为本专利技术的方法在测试函数UF3上的验证效果图。具体实施方式下面结合实施例和附图对本专利技术做进一步的详细说明。如图1所示，本专利技术提供一种协同进化的多目标差分进化算法，包括以下步骤：S1：设定多目标优化问题的目标数目M，最大迭代次数Tmax，决策向量的维度n，种群的规模为N，外部档案集的容量为N'，仿二进制交叉分布指数η，变异概率pm，差分进化缩放因子F；S2：初始化：令迭代计数器t＝0，置初始的外部档案集Arc(t)为空，并利用随机化方法在待优化问题的决策空间中分别产生一个规模为N的初始进化种群P(t)和一个规模为N的初始竞争种群Pc(t)；S3：计算进化种群P(t)中各个体的目标函数值向量；S4：根据步骤S3中计算的结果，利用快速非支配排序方法对进化种群P(t)进行排序，根据排序结果将P(t)中的非支配个体拷贝到外部档案集中，若外部档案集满，则利用拥挤距离策略对外部档案集进行修剪；S5：对进化种群P(t)依次执行差分变异、差分交叉和差分选择操作，生成规模为N的子代种群P’(t)；S6：令Ptem(t)＝Pc(t)∪P’(t)，Ptem(t)为临时的中间种群，其规模为2N；S7：计算Ptem(t)中各个体的目标函数值向量；S8：根据步骤S7的计算结果，利用快速非支配排序方法对Ptem(t)进行排序，根据排序的结果将Ptem(t)中的非支配个体拷贝到外部档案集中，若外部档案集已满，则利用拥挤距离策略对外部档案集进行修剪本文档来自技高网...

【技术保护点】
1.协同进化的多目标差分进化方法，其特征在于，包括以下步骤：/nS1：设定多目标优化问题的目标数目M，最大迭代次数T

【技术特征摘要】
1.协同进化的多目标差分进化方法，其特征在于，包括以下步骤：
S1：设定多目标优化问题的目标数目M，最大迭代次数Tmax，决策向量的维度n，种群的规模为N，外部档案集的容量为N'，仿二进制交叉分布指数η，变异概率pm，差分进化缩放因子F；
S2：初始化：令迭代计数器t＝0，置初始的外部档案集Arc(t)为空，并利用随机化方法在待优化问题的决策空间中分别产生一个规模为N的初始进化种群P(t)和一个规模为N的初始竞争种群Pc(t)；
S3：计算进化种群P(t)中各个体的目标函数值向量；
S4：根据步骤S3中计算的结果，利用快速非支配排序方法对进化种群P(t)进行排序，根据排序结果将P(t)中的非支配个体拷贝到外部档案集中，若外部档案集满，则利用拥挤距离策略对外部档案集进行修剪；
S5：对进化种群P(t)依次执行差分变异、差分交叉和差分选择操作，生成规模为N的子代种群P’(t)；
S6：令Ptem(t)＝Pc(t)∪P’(t)，Ptem(t)为临时中间种群，其规模为2N；
S7：计算Ptem(t)中各个体的目标函数值向量；
S8：根据步骤S7的计算结果，利用快速非支配排序方法对Ptem(t)进行排序，根据排序的结果将Ptem(t)中的非支配个体拷贝到外部档案集中，若外部档案集已满，则利用拥挤距离策略对外部档案集进行修剪；
S9：根据步骤S8的排序结果，从Ptem(t)中选择前N个较优的个体组成算法的下一代进化种群P(t+1)，并令Pc(t+1)＝...

【专利技术属性】
技术研发人员：谢承旺，张飞龙，周慧，闭应洲，
申请(专利权)人：南宁师范大学，
类型：发明
国别省市：广西;45