一种收敛性与多样性均衡的多阶段多策略多目标优化方法技术

本发明专利技术涉及一种收敛性与多样性均衡的多阶段多策略多目标优化方法，属于多目标优化算法技术领域。首先采用混合学习策略，分阶段根据最大适应度值以及拥挤距离从EA或ELA中选出最优解以及精英解，使用最优解、精英解以及补偿因子、并结合MOCSO‑DABL算法中的公鸡位置更新公式以及MEFACD算法中非支配解、支配解位置更新公式的优点后的位置更新策略下引导种群进行学习，不断向pareto前沿进化，然后，使用MOPSOCD算法的超平面外部存储更新策略与MEFACD算法的拥挤距离机制外部存储策略相融合的外部存储更新策略不断保存每次迭代产生的非支配解，从而产生不断进化的pareto最优解集，最后，在完成设定的迭代次数后将EA中存储的帕累托最优解集进行输出，作为最终的种群多目标优化结果。

【技术实现步骤摘要】

本专利技术涉及一种收敛性与多样性均衡的多阶段多策略多目标优化方法，属于多目标优化算法。

技术介绍

1、多目标优化问题(multi-objective optimization problems，mops)的研究目的旨在寻找与平衡同时具有两个或三个相互冲突目标的权衡解。与单目标优化问题(sops)不同，多目标优化问题的最优解并不是唯一的，多目标优化问题的目标是产生一组权衡解，该组权衡解被称为pareto最优解。事实上，实际工作中只有很少的优化问题能够被建模为sops，因为它们需要同时满足并权衡几个相互矛盾的准则或目标。例如，即使高品质和完成这件任务所需要消耗的时间是两个相互冲突的目标，人们却还是希望既"快"又"高品质"的完成任务。如果要在速度和品质之间取得适当的平衡，那就需要同时对这两种目标进行优化。近年来，mop的研究一直是优化理论研究的焦点与热点，mop在、交通流量预测、数据挖掘、路径规划等科学和工程领域有着广泛的应用。多目标优化的目标是使ps尽可能接近pf，在求解mop时，为了获得pareto最优解集的近似解，进化算法得到了广泛的应用，找到一个与尽可能本文档来自技高网...

【技术保护点】

1.一种收敛性与多样性均衡的多阶段多策略多目标优化方法，其特征在于，包括：

2.根据权利要求1所述的收敛性与多样性均衡的多阶段多策略多目标优化方法，其特征在于，所述Step1具体为：

3.根据权利要求1所述的收敛性与多样性均衡的多阶段多策略多目标优化方法，其特征在于，所述Step2具体为：从EA或ELA、BS中选出精英解以及最优解。

4.根据权利要求1所述的收敛性与多样性均衡的多阶段多策略多目标优化方法，其特征在于，所述Step3具体为：

5.根据权利要求1所述的收敛性与多样性均衡的多阶段多策略多目标优化方法，其特征在于，所述Step4具体...

【技术特征摘要】

1.一种收敛性与多样性均衡的多阶段多策略多目标优化方法，其特征在于，包括：

2.根据权利要求1所述的收敛性与多样性均衡的多阶段多策略多目标优化方法，其特征在于，所述step1具体为：

3.根据权利要求1所述的收敛性与多样性均衡的多阶段多策略多目标优化方法，其特征在于，所述st...

【专利技术属性】
技术研发人员：张晶，缪应涛，李晓明，郭小云，王路路，李英娜，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：