[发明专利]基于决策变量邻域空间统计的自适应动态多目标进化方法

权利要求书

1.一种基于决策变量邻域空间统计的自适应动态多目标进化方法，其特征在于：包括以下步骤：

S1.初始化种群和精英档案；

S2.检查环境是否发生变化，若环境发生变化，则根据环境变化程度利用自适应比例引入种群，然后进行步骤S3；若环境未发生变化，则直接进入步骤S3；

S3.计算每一世代中的目标决策变量邻域空间的拥挤程度，并根据空间的拥挤程度选择不同的交叉变异方式；

S4.在每一世代的种群优化过程中，引入精英档案双机制混合更新策略更新种群；

S5.在精英档案归档完成之后，通过最远先排除的策略来循环出分布均匀的种群；

S6.每一世代的结束，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；

S7.当前世代数大于最大世代数时，对种群进行归档输出。

2.如权利要求1所述的一种基于决策变量邻域空间统计的自适应动态多目标进化方法，其特征在于：步骤S2中，采用均衡分组法选择出用于重新评估种群适应度值的个体，通过重新评估的方法检测种群环境是否发生变化，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。

3.如权利要求1或2所述的一种基于决策变量邻域空间统计的自适应动态多目标进化方法，其特征在于：步骤S2中，检测种群环境是否发生变化的方法为：将种群分成多组，根据环境检测需要的个体数，选取每组中位置相同的个体作为环境探测器成员，按照顺序对其重新评估适应度值，并与其之前的适应度值进行对比，如果探测器的目标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所述的一种基于决策变量邻域空间统计的自适应动态多目标进化方法，其特征在于：步骤S3中，当决策变量邻域空间拥挤时，使用DE交叉算子产生远离目标决策变量的子代；当决策变量邻域空间稀疏时，则采用SBX交叉算子产生接近目标决策变量的子代。

5.如权利要求1所述的一种基于决策变量邻域空间统计的自适应动态多目标进化方法，其特征在于：步骤S3中，利用决策变量邻域空间拥挤度探测器，在候选个体中选择三个不重复的个体作为交叉变异操作的目标个体，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ε的个体相加，当三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。

6.如权利要求1所述的一种基于决策变量邻域空间统计的自适应动态多目标进化方法，其特征在于：步骤S4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。

7.如权利要求6所述的一种基于决策变量邻域空间统计的自适应动态多目标进化方法，其特征在于：步骤S4中的等级更新策略的具体方法为：将精英个体根据适应度进行排序并赋予等级，若目标个体X的函数值优于精英个体时，则在精英档案中较差的30％的个体中按照其等级从差到好的顺序进行比较，一旦找到精英档案中的个体函数值比目标个体差时，则立即进行替换操作。

8.如权利要求6所述的一种基于决策变量邻域空间统计的自适应动态多目标进化方法，其特征在于：步骤S4中的随机位置更新策略的具体方法为：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，一旦找到函数值比目标个体差的精英个体，则立即进行替换操作。

9.如权利要求1所述的一种基于决策变量邻域空间统计的自适应动态多目标进化方法，其特征在于：步骤S5中，利用最远先排除的选择策略在二和三目标测试问题中，分别利用拥挤度距离和欧式距离维持种群中个体之间的均匀性。