【技术实现步骤摘要】
基于动态分解和选择的超多目标优化方法、系统、终端
本专利技术属于计算机
，尤其涉及一种基于动态分解和选择的超多目标优化方法、系统、终端。
技术介绍
目前，单目标、多目标以及超多目标优化问题是日常生活中常见的问题。针对单目标优化问题，演化算法(EvolutionaryAlgorithm，EA)利用自然进化选择和自然进化的随机搜索机制，很好的解决了此类问题。但是在多目标与超多目标优化问题中，目标之间存在着相互冲突或者相互促进的关系。所以多目标和超多目标优化不同于单目标优化，单目标优化存在唯一的最优解。但多目标和超多目标优化问题需要通过权衡各个小目标，来获取一系列的最优解集。针对多目标优化问题和超多目标优化问题，常用的方法类型有：基于支配的，基于指标和基于分解的。其中，基于分解的算法由于其使用的广泛性，备受一些研究者地关注。基于分解的多目标优化算法，最具有代表性的就是MOEA/D，将多目标优化问题转化为一系列单目标优化问题，并对这些单目标优化问题同时进行优化。随着研究的不断深入，一些专家学者发现。传统的基于分...
【技术保护点】
1.一种基于动态分解和选择的超多目标优化方法，其特征在于，所述基于动态分解和选择的超多目标优化方法包括：/n步骤一，随机初始化具有N个个体的种群P，初始化当代演化代数为0；计算出被选个体距离超平面的距离和个体对应的参考点之间的距离，并利用DDS策略选择N个优秀个体作为下一代演化子代P；/n步骤二，初始化子代种群O为空集；/n步骤三，针对父代中的N个个体，开始循环处理；初始化用于存储子代个体的R，对当前父代利用Mating-Selection选择出一个交配个体；对两个父代利用SBX和PM生成一个子代R，将子代R加入到子代种群O中；/n步骤四，重复步骤三，直至产生的子代种群集O...
【技术特征摘要】
1.一种基于动态分解和选择的超多目标优化方法，其特征在于，所述基于动态分解和选择的超多目标优化方法包括：
步骤一，随机初始化具有N个个体的种群P，初始化当代演化代数为0；计算出被选个体距离超平面的距离和个体对应的参考点之间的距离，并利用DDS策略选择N个优秀个体作为下一代演化子代P；
步骤二，初始化子代种群O为空集；
步骤三，针对父代中的N个个体，开始循环处理；初始化用于存储子代个体的R，对当前父代利用Mating-Selection选择出一个交配个体；对两个父代利用SBX和PM生成一个子代R，将子代R加入到子代种群O中；
步骤四，重复步骤三，直至产生的子代种群集O的大小为N个为止；合并子代O和原来的父代P，组成一个新的种群大小为2N的种群P；在种群P中利用DDS选择得到最优的N个种群P；
步骤五，演化代数加1，重复步骤二至步骤四，直至达到最大演化代数为止。
2.如权利要求1所述基于动态分解和选择的超多目标优化方法，其特征在于，所述步骤一种群P的初始化处理包括：
(1)在种群P中寻找每一位坐标轴上所对应的极值点，第i个坐标轴上的极值点如下：
式中，表示每个目标上最小的值；
(2)根据矩阵E＝(e1-z*,e2-z*,...,eM-z*)T和u＝(1,1,...,1)T构造超平面H；
其中，a1,a2,...,am是超平面H每个方向上的截距；ai为第i个坐标轴上的截距；
(3)将种群P中的每一个个体都归一化为：
(4)将种群中每个个体x都转化为平面上的参考点RP：
3.如权利要求1所述基于动态分解和选择的超多目标优化方法，其特征在于，所述步骤三对当前父代利用Mating-Selection选择出一个交配个体包括：
设置一个随机数，当该随机数大于ζ时，随机从父代中选择一个个体进行交配；否则，在选择距离该个体最近(d2最小)的K个个体，然后从这K个个体中选择d1最小的那个个体进行交配。
4.如权利要求1所述基于动态分解和选择的超多目标优化方法，其特征在于，所述步骤四在种群P中进行DDS选择得到最优的N个种群P包括：
1)将每个轴上的极值点加入到已经选择的个体集Q中,余下的个体W＝P-Q。得到每个个体对应在超平面上参考点的距离distance，x,y∈P，则个体x和个体y之间的距离为distance(x,y)；
distance(x,y)＝||RP(x)-RP(y)||2
2)选择一个个体x距离已经选择解集Q最远的那个个体作为中心轴ρ，计算公式如下：
3)以选择的轴ρ为出...
【专利技术属性】
技术研发人员：王茂才，包芊，戴光明，彭雷，宋志明，陈晓宇，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。