【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 ...
【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:
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。