基于NSGA-Ⅱ的偏好分解的多目标优化算法研究

摘要

对于多目标优化问题,传统的优化算法不能够很好地处理复杂的Pareto前沿(PF)上的收敛和分布问题,收敛性和分布性二者不能得到较好的平衡;利用改进后的边界交叉方法,超平面根据补足位移移动,形成新的标准目标向量,使得更多的个体分布落在可行区域;决策者偏好的高维多目标优化算法,能够有效地减小搜索空间,解决算法后期收敛放缓和种群退化的问题。本文提出基于偏好向量分解的多目标优化算法,基于NSGA-Ⅱ的偏好分解的多目标优化算法,将偏好信息作为促进解向最优解移动的条件,能够加快收敛速度,找到接近的真实的Pareto最优前沿解(POF)。本文将(NSGA-RPIPBI)和非支配排序遗传算法(NSGA-Ⅱ)、基于优势和分解的多目标进化算法(MOEA/DD)在多目标问题测试集DTLZ1-4上进行多维目标测试,NSGA-RPIPBI在解集的收敛性和分布性效果更好。