基于偏好信息的支配策略研究-计算机科学与技术专业论文.docx

万方数据 万方数据 湘潭大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得 的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个 人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集 体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承 担。 作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和 借阅。本人授权湘潭大学可以将本学位论文的全部或部分内容编入有关数据库 进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名： 日期： 年 月 日 导师签名： 日期： 年 月 日 III 摘 要 在求解现实中的多目标优化问题( Multi - objective Optimization Ploblems , MOP ) 时， 由 于 采 用 随 机 式 、 群 体 式 以 及 智 能 式 的 搜 索 ， 多 目 标 进 化 算 法 ( Multi- objective Evolutionary Algorihm , MOEA)能有效地解决求解过程中遇到的各种 难题，因而成为智 能计算研究领域的 热点之一。有异于 单目标优化问题 ( Single - objective Optimization Ploblem , SOP )，求解多目标优化问题得到的将会是一 组折衷解，即 Pareto 最优解，而不是单一的全局最优解。在过去几十年，研究者通 过迭代运行多目标进化算法进行随机群体式的搜索来得到 Pareto 最优解。然而，随 着优化问题目标数的增加，产生的 Pareto 最优解也随之剧增，这让决策者(Decision Maker, DM)很难从中做出正确的决策。近三十年，许多基于偏好的多目标进化算法 被相继提出，在求解目标维数较高的问题时取得了不错的效果。从决策者的角度考 虑，他们对各个目标的喜好程度不同，因此没有必要搜索出所有的 Pareto 最优解， 而只需 Pareto 最优解中决策者最感兴趣的区域(Region Of Interests, ROI)。基于这个 原因，研究者提出在优化方法中混合决策制定策略。在算法优化过程中，将决策者 的偏好信息整合到进化算法中，不仅能简化决策制定，而且还能减少不感兴趣区域 的搜索代价，引导算法搜索到感兴趣区域。 本文所做的工作归纳为如下几点。 1．系统地学习了一些有关多目标进化算法的基本概念和基于偏好的多目标进 化算法的当前研究现状，并详细说明了在设计与实现基于偏好的多目标进化算法时， 需考虑的一些要点。 2．根据决策者提供的参考点、目标权值和搜索范围信息建立统一偏好模型。在 此模型的基础上，提出一种改进的支配关系。 3．根据决策者提供的偏好信息以及 ε-Pareto 支配的特点，提出一种改进的支配 关系。 提出的方法都是先构造出新的偏好信息引入方法将角度、搜索范围、参考点和目标 权值等偏好信息整合到多目标进化算法中。然后提出新的支配关系来区分 Pareto 支 配不能区分的非支配解，以此提高算法的收敛性。根据原理分析以及对比实验，验 证了所提偏好信息引入方法以及支配方法的有效性。 关键词：多目标进化算法；Pareto 最优解；偏好信息；支配关系；偏好解； IV Abstract When solving actual multi-objective optimization problems(MOP), multi- objective evolutionary algorithms (MOEA) can settle all kinds of encountered problems because they use stochastic, population-based and intelligent search. So MOEA becomes one of the focuses in the research on intelligent computation. Different from single-objective optimization problems(SOP), a set of trade-off solutions or Pareto optimal solutions will be obtained when solving MOP, rather than a single global optimal soluti