[发明专利]一种基于支持向量机预测策略的动态多目标进化算法

摘要

本发明公开了一种基于支持向量机预测策略的动态多目标进化算法，包括如下步骤设定时间参数t＝0，初始化种群Pt；启动环境变化检测算子，采用重新评估法进行新环境的评估；将解集种群分为两部分中心点和轮廓；进行中心点与轮廓预测；以最新产生的P为初始种群，采用MOEA/D‑DE算法优化时间t下的多目标问题。本发明引入支持向量机的人工智能模型预测方法，利用最小二乘支持向量机算法，根据历史近似Pareto解集，实现对新环境下真实Pareto解集的准确预测，使得初始预测种群更加接近真实Pareto前沿。从而提高算法在新环境下的收敛精度和收敛速度。

主权项

一种基于支持向量机预测策略的动态多目标进化算法，其特征在于，引入支持向量机的人工智能模型预测方法，利用最小二乘支持向量机算法，根据历史近似Pareto解集，实现对新环境下真实Pareto解集的准确预测；具体包括如下步骤：S1、设定时间参数t＝0，初始化种群Pt；S2、启动环境变化检测算子，在新环境t+1下选取环境t下的若干解与相应目标函数值F(x1，t)，F(x2，t)…F(xn，t)，利用这部分解对新环境的目标函数重新计算得到F(x1，t+1)，F(x2，t+1)…F(xn，t+1)，与F(x1，t)，F(x2，t)…F(xn，t)进行对比，如果平均变化幅值大于预设阈值则认为环境发生变化，随即启动种群预测策略；S3、在种群预测策略中，首先将解集种群分为两部分：中心点和轮廓；在环境t下，Pareto解集(Pareto Set，PS)可用下式表示：PSt≅x‾t+C~t---(1)]]>x‾t=1|Pt|Σxt∈Ptxt---(2)]]>xt=x‾t+x~t---(3)]]>C~t={x~t}---(4)]]>其中，为环境t下近似PSt的中心点，为环境t下近似PSt的轮廓，Pt为环境t下算法输出的近似PSt；S4、进行中心点与轮廓预测：将历史中心点看成为时间序列，并采用最小二乘支持向量机的人工智能建模方法对进行预测；在某种意义上，相邻环境的轮廓基本相似，故轮廓的预测只利用和当得到和后，利用公式(1)即可得到预测种群；S5、以最新产生的P为初始种群，采用MOEA/D‑DE算法优化时间t下的多目标问题。