[发明专利]一种基于并行协同演化的高维多目标优化算法

说明书

本发明提供一种基于并行协同演化的高维多目标优化算法，该算法维持两个种群：一个种群负责寻找极值点，另一个种群负责在整个决策空间中搜索一组兼顾收敛性与多样性的解。这两个种群协同演化。在整个进化过程中，两个种群分别有自己的演化方式，同时它们之间又存在信息交流和信息共享。在算法框架中，任何基于帕累托占优的多目标进化算法都可以应用在负责在整个决策空间中搜索一组兼顾收敛性与多样性的解的种群上。该框架改善了基于帕累托占优的多目标进化算法在高维多目标优化问题上的性能，克服了传统基于帕累托占优的进化算法在求解高维多目标问题时性能急剧恶化的缺点，平衡了高维多目标优化问题求解的收敛性和多样性。

技术领域

本发明涉及智能优化算法领域，更具体地，涉及一种基于并行协同演化的高维多目标优化算法。

背景技术

在现实世界中，许多问题可以表示成多目标优化问题(MOP)，即具有两个或者以上优化目标的问题。多目标优化问题和单目标优化问题具有本质上的区别。在单目标优化问题中最优解唯一的，但是对于多目标优化问题，由于目标之间相互冲突，所以它存在一组最优解。进化算法(EA)非常适用于解决多目标问题，因为运行它一次就能够得到一组比较好近似解。在过去十多年中，许多基于帕累托占优的进化被提出来并在低维多目标问题(两维或三维)取得了良好的效果。但是现实生活中，很多问题的目标个数超过3，即高维多目标优化问题(MaOP),这些传统的多目标进化算法的优化效果降低。因此，高维多目标优化进化算法是当前多目标优化领域的热点之一。近年来，针对高维多目标优化问题，许多新算法被提出来。

当前所提出的高维多目标进化算法主要分为以下几类：

1)基于帕累托占优的方法。该类方法主要是通过改变帕累托占优关系或者采用新的多样性维持机制来增强选择压力，从而改进传统基于帕累托占优的进化算法，进而解决高维多目标优化问题；

2)基于分解的方法。该类方法主要通过聚合函数来将高维多目标优化问题分解为一系列单目标优化子问题，然后再同时优化这些单目标优化子问题；

3)基于指标的方法。该类方法主要是通过定义一个特殊的指标，然后利用该指标来引导演化过程，从而解决高维多目标优化问题。

发明内容

本发明提供一种基于并行协同演化的高维多目标优化算法，该算法平衡了高维多目标优化问题求解的收敛性和多样性。

为了达到上述技术效果，本发明的技术方案如下：

一种基于并行协同演化的高维多目标优化算法，包括以下步骤：

S1：设定目标个数M，最大评估次数MFE，初始化搜索一组解的初始种群P₁且种群大小为N₁，初始化寻找极值点的初始种群P₂且种群大小为N₂；

S2：生成一组方向向量W＝{w₁,w₂,…,w_2M}来引导种群来寻找极值点；

S3：从P₁中随机选出个体x₁，然后从P₁，P₂两个种群随机选择一个种群，再从该种群中随机选出个体x₂，对个体x₁和x₂进行交叉产生两个子代个体o₁和o₂，重复次产生子种群Q₁；