[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

说明书

本发明提出了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，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，若变化则利用自适应比例引入种群；否则进入S3；S3.根据各世代中的目标决策变量邻域空间的拥挤程度选择不同的交叉变异方式；S4.引入精英档案双机制混合更新策略更新种群；S5.通过最远先排除策略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弱，则对当代种群做出相应的调整；否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。该方法能够提升种群的全局和局部搜索能力，加快种群收敛速度同时保持种群多样性。

【技术领域】

本发明涉及动态多目标优化进化算法的技术领域，特别是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。

【背景技术】

动态多目标优化问题(Dynamic multiobjective optimizationproblems,DMOPs)广泛存在于现实生活中。动态多目标优化问题的求解在人们的日常生活和工程应用等实际问题中具有非常重要的作用。解决动态多目标最优化问题通常很困难，这类问题的目标函数值，约束条件，决策变量等相关参数会随时间变化而变化。对于动态决策变量的分类处理也是解决动态多目标优化问题的重要方法，目前大部分采用决策变量分类方法的多目标优化进化算法在静态MOPs上取得了成功。例如，决策变量分类方法，该方法通过决策变量扰动产生大量的个体用于分类，但决策变量类型会随时间发生变化，需要花费更多的时间用于计算适应度值。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出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，在每一世代的进化过程中对决策变量进行动态分类，能够提升种群的全局和局部搜索能力，加快种群的收敛速度同时保持种群的多样性。

为实现上述目的，本发明提出了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，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。

作为优选，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。

作为优选，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。

作为优选，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。