一种基于两阶段分工协作的约束多目标优化方法技术

本发明专利技术提出了一种基于两阶段分工协作的约束多目标优化方法，包括以下步骤：初始化种群1和种群2交叉变异产生子代；当前的迭代次数未超过总迭代次数设定百分比值时，进入算法第一阶段：对种群1、种群2分别进行无约束、有约束的环境选择，并根据种群1进行采样生成种群3；否则，进入算法第二阶段：对种群1、种群2分别进行有约束的环境选择，并根据种群1进行采样生成种群3；然后采用双重精英归档策略保存每代的最优解，同时第一重归档的结果参与算法第二阶段的环境选择。重复上述步骤，直至迭代次数达到总迭代次数，输出种群。该方法解决了具有复杂约束条件的多目标优化问题，能够平衡种群的收敛性、多样性和可行性，具有良好的适应性。具有良好的适应性。具有良好的适应性。

【技术实现步骤摘要】
一种基于两阶段分工协作的约束多目标优化方法


[0001]本专利技术涉及多目标优化和多目标决策的
，特别是一种基于两阶段分工协作的约束多目标优化方法。

技术介绍

[0002]多目标优化问题广泛存在于现实生活中，多目标优化问题的求解在人们的日常生活和工程应用等实际问题中具有非常重要的作用。多目标优化问题的各个子目标之间通常是矛盾的，一个子目标的改善可能会引起另一个或另外几个子目标的恶化，即同时使所有子目标达到最优是不可能的，只能在多个子目标之间进行协调和折衷处理，使各个子目标都尽可能地达到最优。但是，随着社会生产的快速发展，许多复杂的约束多目标优化问题被提出，它们集中在工程应用，金融，等生活领域，同时具有可行区域狭小，分散，不连续等特点。现有的约束多目标优化算法，在解决这类问题时往往对目标空间的搜索不够充分，从而导致局部最优和提前收敛的情况出现，最后并不能达到理想的结果，获得足够的折衷解。

技术实现思路

[0003]本专利技术的目的就是解决现有技术中的问题，提出一种基于两阶段分工协作的约束多目标优化方法，能够解决具有复杂约束条件的多目标优化问题，并且能平衡种群的收敛性、多样性和可行性，具有良好的适应性。
[0004]为实现上述目的，本专利技术提出了一种基于两阶段分工协作的约束多目标优化方法，包括以下步骤：
[0005]S1.随机初始化种群1和种群2；
[0006]S2.将种群1和种群2进行交叉变异处理产生子代；
[0007]S3.判断算法当前的迭代次数是否超过总迭代次数设定百分比值，当迭代次数未超过总迭代次数设定百分比值时，进入步骤S4；否则，进入步骤S5；
[0008]S4.算法第一阶段：对种群1进行无约束的环境选择，种群2进行带约束的环境选择，并根据种群1进行采样生成种群3，同时检测种群1和种群2的状态，在满足种群1中非支配个体或种群2中非支配个体占比大于0.9时，对种群1或种群2进行双种群部分初始化操作，然后进入步骤S6；
[0009]S5.算法第二阶段：对种群1和种群2分别进行带约束的环境选择，并根据种群1进行采样生成种群3，然后进入步骤S6；
[0010]S6.采用双重精英归档策略保存每代种群1、种群2和种群3中的最优解，同时第一重归档的结果参与算法第二阶段的环境选择；
[0011]S7.判断算法当前的迭代次数是否超过总迭代次数，若未超过总迭代次数，则返回步骤S2；否则，输出种群。
[0012]作为优选，步骤S2中，将种群1和种群2划分为数量相等的两个部分，分别为a，b，对a部分采用模拟二进制交叉和多项式变异的方法进行交叉变异产生子代，对于b部分采用差
分进化的方法进行交叉变异产生子代，然后合并两个部分作为新的子代。
[0013]作为优选，步骤S3中，当迭代次数未超过总迭代次数60％时，进入步骤S4；否则，进入步骤S5。
[0014]作为优选，步骤S4中，种群3是在种群1的基础上进行阶段动态采样获得的，在算法第一阶段，首先在种群1中选取距离参考方向近的个体作为指导解，然后根据指导解在整个搜索空间内生成一些靠近前沿的解作为种群3。
[0015]作为优选，步骤S5中，种群3是在种群1的基础上进行阶段动态采样获得的，在算法第二阶段，首先在种群1中选取距离参考方向近的个体作为指导解，然后根据指导解在压缩后的搜索空间内生成一些靠近约束前沿的解作为种群3。
[0016]作为优选，步骤S6中，所述双重精英归档策略的方法：根据适应度挑选较好的解，保存到其中一个归档中，同时这个归档参与到种群的进化，然后对第一个归档种群，进行二次归档，同样以适应度为标准，同时通过欧氏距离调整第一个归档种群中每个个体之间的距离，最后获得第二个归档，即为输出种群。
[0017]作为优选，所述适应度的计算方法包括以下步骤：
[0018][0019][0020]在公式(1)(2)中，j表示目标函数的个数，f
max,j
,f
min,j
分别表示个体P第j个目标函数中的最大值和最小值，f
j
(p)表示第P个个体中的第j个目标的函数值，M表示目标函数个数；
[0021][0022][0023]在公式(3)中，d(p,q)表示种群中个体p和q之间的欧氏距离，f
pr
(p)为公式(1)计算的结果，其中M为目标函数个数，N为种群的大小；在公式(4)中，f
cd
(p)为收敛性指标，sh(p,q)为公式(3)计算的结果；
[0024][0025][0026]fintess(x)＝f
no
(x)+f
pr
(x)+f
cd
(x)+f
cv
(x)
ꢀꢀꢀ
(7)
[0027]在公式(5)中，g
i
(x)为个体x的第i个不等式约束条件，h
j
(x)为个体x的第j个等式约束条件，η为0.000001,，在公式(6)中，q为约束条件的个数，CV
i
(x)为个体x在第i个约束条件上的约束违反值，本算法适应度的计算公式为(7)，其中f
no
(x)为个体x非支配排序值，
f
pr
(x)为个体x的收敛性指标，f
cd
(x)为个体x的多样性指标，f
cv
(x)为个体x的总约束违反值。
[0028]作为优选，步骤S4中进行双种群部分初始化操作的方法为：分别检测种群1和种群2中非支配排序结果等于1的个体所占比例，且记为r1和r2；当r1大于0.9时，对种群1进行部分初始化，当r2大于0.9时，对种群2进行部分初始化；具体初始化比例根据公式(8)计算可得
[0029][0030]其中，r1为种群1中非支配排序结果等于1的个体所占比例，r2为种群2中带约束的非支配排序结果等于1的个体所占比例，0.5为种群初始化比例的下限，0.9为种群初始化比例的上限；在算法第一阶段，当r1大于0.9时，对种群1进行部分初始化操作，且初始化比例为a,当r2大于0.9时，对种群2进行部分初始化操作，且初始化比例为a。
[0031]本专利技术的有益效果：
[0032]本专利技术提出的算法ITDS采用了三种有效的策略，分别为阶段动态采样策略、双种群自适应部分重启策略、双重精英归档策略。
[0033]1、对于解决约束多目标优化问题，其核心在于平衡目标优化和约束条件。如果无法对目标空间进行充分的探索，可能只能获得局部的最优解。为了解决这个问题，本算法采用了阶段动态采样策略，去获得良好分布的个体。
[0034]2、现有的约束多目标优化算法，在解决一些复杂约束多目标优化问题上，往往会出现种群无法跳出提前收敛的局面，从而导致算法进入无意义的迭代过程。为了解决这个问题，本算法通过初始化种群中部分个体来引入一些新的解，为种群提供了新的进化能力。
...

【技术保护点】

【技术特征摘要】
1.一种基于两阶段分工协作的约束多目标优化方法，其特征在于：包括以下步骤：S1.随机初始化种群1和种群2；S2.将种群1和种群2进行交叉变异处理产生子代；S3.判断算法当前的迭代次数是否超过总迭代次数设定百分比值，当迭代次数未超过总迭代次数设定百分比值时，进入步骤S4；否则，进入步骤S5；S4.算法第一阶段：对种群1进行无约束的环境选择，种群2进行带约束的环境选择，并根据种群1进行采样生成种群3，同时检测种群1和种群2的状态，在满足种群1中非支配个体或种群2中非支配个体占比大于0.9时，对种群1或种群2进行双种群部分初始化操作，然后进入步骤S6；S5.算法第二阶段：对种群1和种群2分别进行带约束的环境选择，并根据种群1进行采样生成种群3，然后进入步骤S6；S6.采用双重精英归档策略保存每代种群1、种群2和种群3中的最优解，同时第一重归档的结果参与算法第二阶段的环境选择；S7.判断算法当前的迭代次数是否超过总迭代次数，若未超过总迭代次数，则返回步骤S2；否则，输出种群。2.如权利要求1所述的一种基于两阶段分工协作的约束多目标优化方法，其特征在于：步骤S2中，将种群1和种群2划分为数量相等的两个部分，分别为a，b，对a部分采用模拟二进制交叉和多项式变异的方法进行交叉变异产生子代，对于b部分采用差分进化的方法进行交叉变异产生子代，然后合并两个部分作为新的子代。3.如权利要求1所述的一种基于两阶段分工协作的约束多目标优化方法，其特征在于：步骤S3中，当迭代次数未超过总迭代次数60％时，进入步骤S4；否则，进入步骤S5。4.如权利要求1所述的一种基于两阶段分工协作的约束多目标优化方法，其特征在于：步骤S4中，种群3是在种群1的基础上进行阶段动态采样获得的，在算法第一阶段，首先在种群1中选取距离参考方向近的个体作为指导解，然后根据指导解在整个搜索空间内生成一些靠近前沿的解作为种群3。5.如权利要求1所述的一种基于两阶段分工协作的约束多目标优化方法，其特征在于：步骤S5中，种群3是在种群1的基础上进行阶段动态采样获得的，在算法第二阶段，首先在种群1中选取距离参考方向近的个体作为指导解，然后根据指导解在压缩后的搜索空间内生成一些靠近约束前沿的解作为种群3。6.如权利要求1所述的一种基于两阶段分工协作的约束多目标优化方法，其特征在于：步骤S6中，所述双重精英归档策略的方法：根据适应度挑选较好的解，保存到其中一个归档中，同时这个归档参与到种群的进化，然后对第一个归档种群，进行二次归档，同样以适应度为标准，同时通过欧氏距离调整第一个归档种群中每个个体之间的距离，最后获得第二个归档，即为输出种群。7.如权利要求...

【专利技术属性】
技术研发人员：杨珍，琚锋，姚堂旭，姚杰愉，
申请(专利权)人：湖州学院，
类型：发明
国别省市：