一种基于决策变量分析的多目标定向进化方法及系统技术方案

本发明专利技术涉及一种基于决策变量分析的多目标定向进化方法及系统，方法包括：对于多目标进化方法中的每个决策变量进行定量分析，计算其收敛性趋势和多样性趋势，将决策变量分为收敛性变量和多样性变量；对收敛性变量之间的依赖关系进行分析，将收敛性变量划分为互不依赖的变量分组；初始化第一种群和第二种群；第一种群基于收敛性策略执行进化操作，第二种群基于多样性策略执行进化操作，第一种群和第二种群进行子代共享，重复此步骤，直至得到最优解。与现有技术相比，本发明专利技术所采用的定向进化算子可与不同多目标进化计算框架进行灵活适配，进而针对不同优化问题特性设计不同的多目标进化优化算法，泛化性强。泛化性强。泛化性强。

【技术实现步骤摘要】
一种基于决策变量分析的多目标定向进化方法及系统


[0001]本专利技术涉及大规模多目标进化计算领域，尤其是涉及一种基于决策变量分析的多目标定向进化方法及系统。

技术介绍

[0002]随着云计算、大数据和人工智能等技术的迅猛发展，含有大规模决策变量的高维多目标优化问题(Large
‑
scale Multi
‑
objective Optimization Problems,LaMOPs)开始普遍出现于科学研究和工程应用领域，例如无人机路径规划、云资源调度优化、混合动力汽车控制等问题都可以抽象为LaMOPs。因此，研究和设计针对LaMOPs的高效优化算法具有重要的理论价值和现实意义。
[0003]传统的多目标进化算法，在求解低维多目标优化问题时通常能够表现出很好的性能，但随着决策变量规模和目标变量维数的增加：一方面，决策空间呈指数增长，算法的计算复杂度急剧增加；另一方面，不同目标间优化冲突加剧，收敛性和多样性难以平衡，算法的优化效果显著下降。如何针对LaMOPs进行快速、高效求解，仍然是当前多目标进化算法领域的研究难点。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于决策变量分析的多目标定向进化方法及系统。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于决策变量分析的多目标定向进化方法，包括：
[0007]对于多目标进化方法中的每个决策变量进行定量分析，计算其收敛性趋势和多样性趋势，将决策变量分为收敛性变量和多样性变量；
[0008]对收敛性变量之间的依赖关系进行分析，将收敛性变量划分为互不依赖的变量分组；
[0009]初始化第一种群和第二种群；
[0010]第一种群基于收敛性策略执行进化操作，第二种群基于多样性策略执行进化操作，第一种群和第二种群进行子代共享，重复此步骤，直至得到最优解。
[0011]进一步地，对于多目标进化方法中的每个决策变量进行定量分析具体为：
[0012]计算每个决策变量的收敛性趋势和多样性趋势：
[0013][0014]其中，C(x
i
)表示决策变量x
i
的收敛性趋势，M表示预设置的扰动次数，m用于标识第m次扰动，X表示一个解，X
m
表示对决策变量x
i
添加扰动后由X得到的解，λ表示权重向量，是过原点且与各坐标轴角度相同的单位向量，所述坐标轴表示多目标进化方法中的目标函数；
[0015][0016]其中，D(x
i
)表示决策变量x
i
的多样性趋势。
[0017]进一步地，将决策变量分为收敛性变量和多样性变量具体为：
[0018]计算每个决策变量的内在特性：
[0019]R(x
i
)＝C(x
i
)
‑
D(x
i
)
[0020]其中，R(x
i
)表示决策变量x
i
的内在特性，若R(x
i
)＞0，决策变量x
i
被判定为收敛性变量；当R(x
i
)＜0时，决策变量x
i
被判定为多样性变量。
[0021]进一步地，对收敛性变量之间的依赖关系进行分析具体为：
[0022]将收敛性变量作为节点，构建二进制搜索树；
[0023]确定待检测变量，采用二分查找法从所述二进制搜索树的根节点开始搜索各个节点与所述待检测变量之间的依赖关系，重复此步骤，直至完成所有收敛性变量的依赖关系检测，其中，两个变量之间的依赖关系通过链接学习方法确定。
[0024]进一步地，将收敛性变量划分为互不依赖的变量分组具体为：
[0025]将每个收敛性变量作为一个顶点，将存在依赖关系的收敛性变量之间用边连通，得到变量无向图；
[0026]采用搜索算法寻找变量无向图中的所有极大连通子图，每个极大连通子图中的收敛性变量作为一个变量组，完成收敛性变量的分组。
[0027]进一步地，所述进化操作包括交叉操作，所述收敛性策略中的交叉算子设计中，父代交叉产生子代的过程为：
[0028]获取收敛性变量及其分组，以收敛性变量的分组为单位分别进行交叉操作；
[0029]所述多样性策略的交叉算子设计中，父代交叉产生子代的过程为：
[0030]获取所有的多样性变量，将所有的多样性变量作为一个整体进行交叉操作。
[0031]进一步地，所述进化操作包括变异操作，所述收敛性策略中的突变算子设计中，突变概率的取值为：
[0032][0033]其中，P(x
i
)表示变量x
i
的突变概率，R(x
i
)表示变量x
i
的内在特性；n代表决策变量中收敛性变量的数目；CV和DV分别代表收敛性变量集合和多样性变量集合；
[0034]所述多样性策略中的突变算子设计中，突变概率的取值为：
[0035][0036]其中，h表示决策变量中多样性变量的数目。
[0037]进一步地，所述进化操作包括个体选择操作，所述收敛性策略中的个体选择操作设计中，使用收敛性的个体选择策略，所述多样性策略中的个体选择操作设计中，使用多样性的个体选择策略。
[0038]进一步地，所述进化操作包括环境选择操作，所述收敛性策略中的环境选择操作
设计中，使用收敛性的环境选择策略，所述多样性策略中的环境选择操作设计中，使用多样性的环境选择策略。
[0039]一种基于决策变量分析的多目标定向进化系统，基于上述的基于决策变量分析的多目标定向进化方法，包括决策变量定量分析模块和种群定向优化模块：
[0040]决策变量定量分析模块执行以下步骤：
[0041]对于多目标进化方法中的每个决策变量进行定量分析，计算其收敛性趋势和多样性趋势，将决策变量分为收敛性变量和多样性变量；
[0042]对收敛性变量之间的依赖关系进行分析，将收敛性变量划分为互不依赖的变量分组；
[0043]种群定向优化模块执行以下步骤：
[0044]初始化第一种群和第二种群；
[0045]第一种群基于收敛性策略执行进化操作，第二种群基于多样性策略执行进化操作，第一种群和第二种群进行子代共享，重复此步骤，直至得到最优解。
[0046]与现有技术相比，本专利技术具有以下有益效果：
[0047](1)本专利技术将大规模多目标进化优化过程划分为决策变量定量分析和种群定向进化两个阶段：在变量定量分析阶段，以变量扰动后解集在权重向量上的投影长度作为收敛指标，以解集与权重向量的偏离程度作为多样性指标，基于二进制树搜索算法和链接学习技术实现大规模决策变量分组降维；在种群定向进化阶段，通过利用决策变量的内在特性分别设计定向交配选择、定向交本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于决策变量分析的多目标定向进化方法，其特征在于，包括：对于多目标进化方法中的每个决策变量进行定量分析，计算其收敛性趋势和多样性趋势，将决策变量分为收敛性变量和多样性变量；对收敛性变量之间的依赖关系进行分析，将收敛性变量划分为互不依赖的变量分组；初始化第一种群和第二种群；第一种群基于收敛性策略执行进化操作，第二种群基于多样性策略执行进化操作，第一种群和第二种群进行子代共享，重复此步骤，直至得到最优解。2.根据权利要求1所述的一种基于决策变量分析的多目标定向进化方法，其特征在于，对于多目标进化方法中的每个决策变量进行定量分析具体为：计算每个决策变量的收敛性趋势和多样性趋势：其中，C(x
i
)表示决策变量x
i
的收敛性趋势，M表示预设置的扰动次数，m用于标识第m次扰动，X表示一个解，X
m
表示对决策变量x
i
添加扰动后由X得到的解，λ表示权重向量，是过原点且与各坐标轴角度相同的单位向量，所述坐标轴表示多目标进化方法中的目标函数；其中，D(x
i
)表示决策变量x
i
的多样性趋势。3.根据权利要求2所述的一种基于决策变量分析的多目标定向进化方法，其特征在于，将决策变量分为收敛性变量和多样性变量具体为：计算每个决策变量的内在特性：R(x
i
)＝C(x
i
)
‑
D(x
i
)其中，R(x
i
)表示决策变量x
i
的内在特性，若R(x
i
)＞0，决策变量x
i
被判定为收敛性变量；当R(x
i
)＜0时，决策变量x
i
被判定为多样性变量。4.根据权利要求1所述的一种基于决策变量分析的多目标定向进化方法，其特征在于，对收敛性变量之间的依赖关系进行分析具体为：将收敛性变量作为节点，构建二进制搜索树；确定待检测变量，采用二分查找法从所述二进制搜索树的根节点开始搜索各个节点与所述待检测变量之间的依赖关系，重复此步骤，直至完成所有收敛性变量的依赖关系检测，其中，两个变量之间的依赖关系通过链接学习方法确定。5.根据权利要求1所述的一种基于决策变量分析的多目标定向进化方法，其特征在于，将收敛性变量划分为互不依赖的变量分组具体为：将每个收敛性变量作为...

【专利技术属性】
技术研发人员：方承，黄世昌，刘正仁，曾放云，周雅洁，
申请(专利权)人：上海妃鱼网络科技有限公司，
类型：发明
国别省市：