基于分解的多目标信息处理方法、系统、计算机设备、终端技术方案

本发明专利技术属于计算机技术领域，公开了一种基于分解的多目标信息处理方法、系统、计算机设备、终端，初始化种群，归档集EP和权重向量集；并且对初始权重向量集进行WS变换；计算初始权重向量集中每个个体的相邻个体，参考点和极值点；判断当前代数是否小于预设值，若小于，则标准化当前种群，对当前的权重向量进行WS变换，生成子代并使用MOEA/D

【技术实现步骤摘要】
基于分解的多目标信息处理方法、系统、计算机设备、终端


[0001]本专利技术属于计算机
，尤其涉及一种基于分解的多目标信息处理方法、系统、计算机设备、终端。

技术介绍

[0002]目前，在某一个情境中，无法同时得到多个目标的最优值，在得到某一个目标更好的值的过程中其他目标的值会相应的变差。所以多目标优化算法得到的是一系列最优解而不是单个的最优解。所有的最优解组成一个面，叫做前沿面(PF：Pareto Front)。要注意的是，一些问题中，PF不连续或者不是一个规则的平面。
[0003]MOEA/D算法是一种经典的多目标优化算法，它在目标空间中生成一系列均匀的权重向量，之后在这些权重向量对应的方向上搜索解，从而得到一系列最优解。
[0004]但是MOEA/D算法会存在一系列问题，对于不规则的前沿面，得不到均匀的解，而对于不连续的前沿面，会得到一系列重复的解。对于这种情况，前人提出了随机初始向量自适应的基于分解的多目标算法(Many
‑
Objective Evolutionary Algorithm Base本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种带预处理的随机初始向量自适应的基于分解的多目标信息处理方法，其特征在于，应用于信息数据处理终端，所述带预处理的随机初始向量自适应的基于分解的多目标信息处理方法包括：步骤一，所述信息数据处理终端进行初始化种群，归档集和权重向量集；并且对初始权重向量集进行变换；计算权重向量集中每个个体的相邻个体，参考点和极值点；步骤二，判断当前代数是否小于总代数乘以系数μ，即假设当前代数为Gen，若Gen小于Gen
max
×
μ，则转向步骤三；否则转向步骤四；步骤三，标准化当前种群更新参考点和极值点，对当前的权重向量进行WS变换(WS
‑
transformation)，生成子代并且使用MOEA/D
‑
DU(Balancing Convergence and Diversity in Decomposition
‑
Based Many
‑
Objective Optimizers)中的方法更新当前种群，更新归档集，转向步骤七；步骤四，判断当前代数是否小于0.8倍的最大代数(Gen
max
×
0.8)，若小于，转向步骤五，反之转向步骤六；步骤五，生成子代并且用切比雪夫算子更新当前种群；更新归档集；更新当前权重向量；转向步骤七；步骤六，生成子代并且用切比雪夫算子更新当前种群；转向步骤七；步骤七，代数加1，并判断当前代数是否小于Gen
max
，若是，则返回步骤二；否则，即可输出计算结果。2.如权利要求1所述的带预处理的随机初始向量自适应的基于分解的多目标信息处理方法，其特征在于，所述步骤一具体包括：初始化种群，归档集和权重向量集；并且对初始权重向量集进行变换；假设目标空间为三维空间，则假设初始向量为λ，包含四个向量(1，0，0)、(0，1，0)、(0，0，1)、随机生成5000个向量的向量组λ
′
，计算λ
′
中每个个体到λ的距离，取出所有距离中最小的值最大的个体a，将a加入λ，并将a从λ
′
中删去，重复这一过程直到λ的个体数量足够；然后，对λ进行WS变换，假设有权重向量a＝(λ1，λ2，...，λ
m
)，其中m为目标空间维度，则WS变换后得到的向量为将WS变换之后的向量作为初始的权重向量；再计算权重向量集中每个个体的相邻个体，参考点和极值点；权重向量集中每个个体的相邻个体即与每个权重向量欧几里得距离最近的个体，参考点和极值点即为当前种群在目标空间中每一维上的最小值和最大值。3.如权利要求1所述的带预处理的随机初始向量自适应的基于分解的多目标信息处理方法，其特征在于，所述步骤三具体包括：(1)标准化当前种群更新参考点和极值点；(2)然后计算这些点组成的平面与坐标轴的截距，接着将所有个体在目标空间中的值减去参考点的值；(3)再对得到的值对每一维除以上面得到的截距即为归一化后的值，对当前的权重向量进行WS变换，生成子代并且使用MOEA/D
‑
DU中的方法更新当前种群，即先挑选子代中距离
权重向量近的个体；(4)再按照这一距离排序，先计算距离近的个体的适应度函数值...

【专利技术属性】
技术研发人员：王茂才，曹黎，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：