基于邻域空间拥挤度的动态多目标优化算法制造技术

技术编号：41970795 阅读：9 留言：0更新日期：2024-07-10 16:50

本发明专利技术公开了基于邻域空间拥挤度的动态多目标优化算法，包括以下步骤：S1.种群环境区域规划；S2.初始化种群和精英档案；S3.种群多样性和收敛性繁衍；S4.检测种群环境；S5.种群环境统计分析；S6.计算目标决策变量邻域空间的拥挤程度；S7.更新种群中较差的个体；S8.保证种群的均匀程度；S9.每一世代的结束，保持种群的多样性和收敛性；S10.达到最大世代数时，对种群进行归档输出。本发明专利技术能够提升种群全局和局部搜索能力，保存每一世代中性能较优的解，利用个体等级进行更新的策略可以加快种群的收敛速度，增加寻找发生环境变化的个体时的准确率，不仅能增强算法的搜索能力，还能达到提升种群的收敛性和多样性的目的。

全部详细技术资料下载

【技术实现步骤摘要】

【】本专利技术涉及动态多目标优化算法的，特别是基于邻域空间拥挤度的动态多目标优化算法的。

技术介绍

0、
技术介绍

1、动态多目标优化算法是一种用于处理具有多个互相冲突且随着时间变化的多目标优化问题的算法。动态多目标优化算法中的目标函数、约束条件或决策变量都会随着时间的推移而变化，因此非支配解集也会随之发生变化。在进行动态多目标优化算法时，需要考虑到环境的动态变化，如目标函数的变化、约束条件的变化、决策变量的变化等，这些变化会导致解的可行性发生变化，从而影响最终的优化结果。动态多目标优化算法在及时跟踪变化最优前沿面的同时，还要尽可能提供多样性的解集来得到最新的随时间变化的近似最优前沿面。种群(population)指同一时间生活在一定自然区域内，同种生物的所有个体。种群中的个体并不是机械地集合在一起，而是彼此可以交配，并通过繁殖将各自的基因传给可育后代。种群是进化的基本单位，同一种群的所有生物共用一个基因库。对种群的研究主要是其数量变化与种内关系，种间关系的内容属于生物群落的研究范畴。针对动态多目标进化问题，通常需要研究和开发动态多目标优化算法来解决。当环境变化的速度比较快时，动态多目标优化算法的求解会更加困难。决策变量分类方法的优势在于可以依据决策变量不同的性质，针对性的采取不同的优化策略，提高算法的收敛性与多样性。随着动态多目标进化问题的发展，很多传统多目标优化算法与动态环境响应策略相结合的动态多目标优化算法被提出用来解决种群动态多目标进化问题。其中，如何高效率的平衡好算法的多样性和收敛性是十分重要的。

技术实现思路

0、
技术实现思路

1、本专利技术的目的就是解决现有技术中的问题，提出基于邻域空间拥挤度的动态多目标优化算法，通过根据决策变量的邻域空间拥挤程度来使用不同的方式搜索所有决策变量，能够提升种群全局和局部搜索能力，保存每一世代中性能较优的解，利用个体等级进行更新的策略可以加快种群的收敛速度，增加寻找发生环境变化的个体时的准确率，不仅能增强算法的搜索能力，还能达到提升种群的收敛性和多样性的目的。

2、为实现上述目的，本专利技术提出了基于邻域空间拥挤度的动态多目标优化算法，包括以下步骤：

3、s1.种群环境区域规划,全面了解种群的自然分布现状，确定种群的分布地点，然后在种群分布地点规划设置种群环境区域，种群环境区域的数量和大小根据种群分组数量和种群大小确定，保证各个种群环境区域的种群环境适应度相同；

4、s2.初始化种群和精英档案；

5、s3.种群多样性和收敛性繁衍，对初始化种群个体进行随机繁衍生成多样性子代，对精英档案个体进行优胜劣汰的约束繁衍生成收敛性子代；

6、s4.检测种群环境是否发生变化，将种群分成十组，每组根据环境检测的需求选择相应数量的个体重新评估种群适应度值，当环境发生变化时，利用自适应比例的多样性引入策略和等级更新策略相结合对变化的环境做出反应策略，将引入种群迁移到接近原适应度值的种群环境区域，然后进行步骤s6；若环境未发生变化，则直接进入步骤s6；

7、s5.种群环境统计分析，对多个种群环境的检测结果进行统计分析，判断种群适应度值变化为区域内多个种群环境因素或区域内单一种群环境因素，对分析结果进行记录保存至步骤s1；

8、s6.计算每一世代中的目标决策变量邻域空间的拥挤程度，将生成的子代用于父代种群和精英档案更新中；

9、s7.在每一世代的种群优化过程中，将每一世代周期中的非支配解，加入到精英档案中，并通过等级更新和随机位置更新组合的策略，更新种群中较差的个体；

10、s8.在精英档案归档完成之后，在精英档案储存比种群规定数量更多的个体，通过最远先排除选择策略来循环出均匀的种群，用拥挤度排序来保证种群的均匀程度，首先计算出每一个个体的拥挤度距离，按照个体的拥挤度距离的远近进行等级排序，根据拥挤度等级每次排除一个等级最低的个体，保证个体在偏离种群时被删去，保持种群中个体之间的均匀性；

11、s9.每一世代的结束，用精英档案中的个体更新父代种群，保持种群的多样性和收敛性；

12、s10.当前世代数未达到最大世代数时，返回步骤s2；当前世代数达到最大世代数时，对种群进行归档输出。

13、作为优选，所述步骤s2中，进行环境监测后划定种群环境区域，保证种群生存环境的适应性，将对应种群进行筛选和标记后分批次引入划定种群环境区域内，初始化种群个体和精英档案个体划定在不同种群环境区域内。

14、作为优选，所述步骤s4中，通过重新评估的方法检测种群环境是否发生变化，选取每组中同一区域的个体作为环境探测器成员，按照分组顺序对其在同一时段内重新评估适应度值，并与其之前的适应度值进行对比，如果环境探测器成员的适应度值前后之间存在差异，则认为其成功的检测到了变化。

15、作为优选，所述步骤s6中，根据空间的拥挤程度选择不同的交叉变异方式，使用切比雪夫分解法在邻域解中选择离目标个体最近的多个个体作为交叉变异的目标个体，并分别计算其与剩余个体的欧氏距离，将欧氏距离小于搜索半径的个体相加，当多个目标个体的邻域空间内的个体数量达到拥挤程度时，使用de交叉算子产生远离目标决策变量的子代；反之，采用sbx交叉算子产生接近目标决策变量的子代；当邻域空间内的个体数量拥挤时，使用de交叉算子产生远离父代的子代；当邻域空间内的个体数量稀疏时，则采用sbx交叉算子产生靠近父代的子代。

16、作为优选，所述步骤s7中，将精英个体根据适应度进行等级排序，若目标个体的数值优于精英个体时，按照精英个体等级从差到好的顺序与目标个体进行替换操作；目标个体从精英档案的随机位置开始，按照顺序对精英档案中的个体进行比较，若找到数值比目标个体差的精英个体，对精英个体与目标个体进行替换操作。

17、作为优选，所述步骤s9中，计算种群的反世代指标值，如果当代种群的指标值比上一代种群的指标值弱，则使用种群调整策略对当代种群做出相应的调整；如果当代种群的指标值比上一代种群的指标值强时，则在环境选择操作后进行下一世代的进化。

18、作为优选，所述步骤s9中，种群更新包括邻域更新和父代种群更新两部分，邻域更新是利用切比雪夫分解法计算出邻域个体值与目标个体值并进行比较，若目标个体值优于邻域个体值，则对其进行更新操作；父代种群更新是对父代种群和精英档案通过比较适应度的大小来进行等级排序，首先按照等级从精英档案中挑选较好的40％个体存储到新精英档案中，然后从父代种群中挑选较差的40％个体存储到新种群中，分别从中挑选十个个体，随即对其比较适应度，若不是相同个体，则用精英档案中较优个体代替父代种群中较差个体。

19、本专利技术的有益效果：本专利技术通过根据决策变量的邻域空间的拥挤程度来使用不同的方式搜索所有决策变量，同时增强算法的全局和局部搜索能力。并且设计了精英档案策略，利用个体等级进行更新的策略可以加快种群的收敛速度，通过分组选择环境探测器成员，可本文档来自技高网...

【技术保护点】

1.基于邻域空间拥挤度的动态多目标优化算法，其特征在于：包括以下步骤：

2.如权利要求1所述的基于邻域空间拥挤度的动态多目标优化算法，其特征在于：所述步骤S2中，进行环境监测后划定种群环境区域，保证种群生存环境的适应性，将对应种群进行筛选和标记后分批次引入划定种群环境区域内，初始化种群个体和精英档案个体划定在不同种群环境区域内。

3.如权利要求1所述的基于邻域空间拥挤度的动态多目标优化算法，其特征在于：所述步骤S4中，通过重新评估的方法检测种群环境是否发生变化，选取每组中同一区域的个体作为环境探测器成员，按照分组顺序对其在同一时段内重新评估适应度值，并与其之前的适应度值进行对比，如果环境探测器成员的适应度值前后之间存在差异，则认为其成功的检测到了变化。

4.如权利要求1所述的基于邻域空间拥挤度的动态多目标优化算法，其特征在于：所述步骤S6中，根据空间的拥挤程度选择不同的交叉变异方式，使用切比雪夫分解法在邻域解中选择离目标个体最近的多个个体作为交叉变异的目标个体，并分别计算其与剩余个体的欧氏距离，将欧氏距离小于搜索半径的个体相加，当多个目标个体的

5.如权利要求1所述的基于邻域空间拥挤度的动态多目标优化算法，其特征在于：所述步骤S7中，将精英个体根据适应度进行等级排序，若目标个体的数值优于精英个体时，按照精英个体等级从差到好的顺序与目标个体进行替换操作；目标个体从精英档案的随机位置开始，按照顺序对精英档案中的个体进行比较，若找到数值比目标个体差的精英个体，对精英个体与目标个体进行替换操作。

6.如权利要求1所述的基于邻域空间拥挤度的动态多目标优化算法，其特征在于：所述步骤S9中，计算种群的反世代指标值，如果当代种群的指标值比上一代种群的指标值弱，则使用种群调整策略对当代种群做出相应的调整；如果当代种群的指标值比上一代种群的指标值强时，则在环境选择操作后进行下一世代的进化。

7.如权利要求1所述的基于邻域空间拥挤度的动态多目标优化算法，其特征在于：所述步骤S9中，种群更新包括邻域更新和父代种群更新两部分，邻域更新是利用切比雪夫分解法计算出邻域个体值与目标个体值并进行比较，若目标个体值优于邻域个体值，则对其进行更新操作；父代种群更新是对父代种群和精英档案通过比较适应度的大小来进行等级排序，首先按照等级从精英档案中挑选较好的40％个体存储到新精英档案中，然后从父代种群中挑选较差的40％个体存储到新种群中，分别从中挑选十个个体，随即对其比较适应度，若不是相同个体，则用精英档案中较优个体代替父代种群中较差个体。

...

【技术特征摘要】

1.基于邻域空间拥挤度的动态多目标优化算法，其特征在于：包括以下步骤：

2.如权利要求1所述的基于邻域空间拥挤度的动态多目标优化算法，其特征在于：所述步骤s2中，进行环境监测后划定种群环境区域，保证种群生存环境的适应性，将对应种群进行筛选和标记后分批次引入划定种群环境区域内，初始化种群个体和精英档案个体划定在不同种群环境区域内。

3.如权利要求1所述的基于邻域空间拥挤度的动态多目标优化算法，其特征在于：所述步骤s4中，通过重新评估的方法检测种群环境是否发生变化，选取每组中同一区域的个体作为环境探测器成员，按照分组顺序对其在同一时段内重新评估适应度值，并与其之前的适应度值进行对比，如果环境探测器成员的适应度值前后之间存在差异，则认为其成功的检测到了变化。

4.如权利要求1所述的基于邻域空间拥挤度的动态多目标优化算法，其特征在于：所述步骤s6中，根据空间的拥挤程度选择不同的交叉变异方式，使用切比雪夫分解法在邻域解中选择离目标个体最近的多个个体作为交叉变异的目标个体，并分别计算其与剩余个体的欧氏距离，将欧氏距离小于搜索半径的个体相加，当多个目标个体的邻域空间内的个体数量达到拥挤程度时，使用de交叉算子产生远离目标决策变量的子代；反之，采用sbx交叉算子产生接近目标决策变量的子代；当邻域空间内的个体数量拥挤时，使用de交叉算子产生远离父代的子代；当邻域空间内的个体数量稀疏时，则采用sbx交叉...

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

全部详细技术资料下载我是这个专利的主人