提高多目标进化算法分布性的动态调整机制

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (2): 48-52.

提高多目标进化算法分布性的动态调整机制

逄珊1，杨欣毅2，苏庆堂1

1.鲁东大学信息科学与工程学院，山东烟台 264025
2.海军航空工程学院飞行器工程系，山东烟台 264001

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-01-11 发布日期:2012-01-11

Dynamic diversity preservation strategy for multi-objective evolutionary algorithms

PANG Shan1, YANG Xinyi2, SU Qingtang1

1.College of Information Science and Engineering, Ludong University, Yantai, Shandong 264025, China
2.Department of Aircraft Engineering, Naval Aeronautical and Astronautical University, Yantai, Shandong 264001, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-01-11 Published:2012-01-11

摘要/Abstract

摘要： 为提高多目标进化算法的分布性，提出一种基于极坐标的动态调整机制。在极坐标下，根据解集的拥挤程度，计算个体解的缩放系数。在进化过程中利用该缩放系数动态调整解集支配关系，适当提高分布性好的解在支配关系中的地位以改善解的分布。对测试函数的仿真试验结果表明，将该机制应用于经典算法能显著提高算法的分布性，同时保持良好的收敛性。

关键词: 多目标优化, 进化算法, 支配关系, 极坐标, 多样性

Abstract: In order to improve diversity performance of multi objective evolutionary algorithms, a new dynamic diversity preservation strategy based on polar coordinates is proposed. Each solution is assigned a contract-expand coefficient which is related to its distribution in polar coordinates. This coefficient is used to adjust Pareto dominance in solutions set dynamically during evolution. Sparsely distributed solutions are evaluated in terms of Pareto dominance relation, which in turn improve the distribution of solutions set. Results show that the proposed strategy is able to improve conventional MOEAs on their diversity performance, at the same time, maintain convergence to Pareto optimal front on the same level.

Key words: multi-objective optimization, evolutionary algorithms, Pareto dominance, polar coordinates, diversity

逄珊1，杨欣毅2，苏庆堂1. 提高多目标进化算法分布性的动态调整机制[J]. 计算机工程与应用, 2012, 48(2): 48-52.

PANG Shan1, YANG Xinyi2, SU Qingtang1. Dynamic diversity preservation strategy for multi-objective evolutionary algorithms[J]. Computer Engineering and Applications, 2012, 48(2): 48-52.

[1]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[2]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	胡小兵，陈树念，张盈斐，谷升豪. 求解多目标路径优化问题的涟漪扩散算法[J]. 计算机工程与应用, 2021, 57(23): 81-90.
[5]	田维安，陈红梅，周丽华. 基于相似用户好奇心的多样性推荐方法[J]. 计算机工程与应用, 2021, 57(23): 113-121.
[6]	李倩，蒋丽，梁昌勇. 基于模糊时间窗的多目标冷链配送优化[J]. 计算机工程与应用, 2021, 57(23): 255-262.
[7]	李大海，艾志刚，王振东. 基于全组合策略的多目标阴阳对算法[J]. 计算机工程与应用, 2021, 57(22): 110-124.
[8]	钱峥远，曾国荪. 精英化岛屿种群引导的差分进化算法[J]. 计算机工程与应用, 2021, 57(20): 73-81.
[9]	白首华，郭广颂，胡天彤. 交互式多目标文化算法优化多模态混合指标[J]. 计算机工程与应用, 2021, 57(17): 80-87.
[10]	刘莉. 基于用户多样性偏好的top-N推荐算法[J]. 计算机工程与应用, 2021, 57(17): 116-121.
[11]	崔彩霞，毕超超，范勤勤. 基于隐马尔可夫链的自适应MODE及应用[J]. 计算机工程与应用, 2021, 57(14): 83-94.
[12]	李荣，贺兴时，杨新社. 基于差分进化的飞蛾算法在电力调度中的应用[J]. 计算机工程与应用, 2021, 57(13): 258-268.
[13]	张松灿，普杰信，司彦娜，孙力帆. 蚁群算法在移动机器人路径规划中的应用综述[J]. 计算机工程与应用, 2020, 56(8): 10-19.
[14]	曾海燕，左开中，王永录，刘蕊. 路网环境下的语义多样性位置隐私保护方法[J]. 计算机工程与应用, 2020, 56(7): 102-108.
[15]	沈鑫，邹德旋，张强. 采用双变异策略的自适应差分进化算法及应用[J]. 计算机工程与应用, 2020, 56(4): 146-157.