[发明专利]一种基于灰色预测演化算法的多模态多目标优化方法

说明书

本发明涉及一种基于灰色预测演化算法的多模态多目标优化方法，包括：确定解决多模态多目标优化问题的算子机制；根据帕累托最优解集的数量确定多模态多目标测试函数；根据多目标的粒子群优化算法进行种群的初始化；根据灰色预测演化算法产生种群的新个体，进行个体更新，达到设置的最大迭代次数后输出结果。具备寻找高质量的解、在目标空间和决策空间中找到多个解的能力，且技术参数较少，结构简单，易于理解和操作，能够更好地、高效地解决实际应用中的多模态多目标优化问题。

技术领域

本发明涉及进化计算领域，尤其涉及一种基于灰色预测演化算法的多模态多目标优化方法。

背景技术

自2005年以来，多模态目标优化问题在进化计算领域得到了广泛的研究。然而，由于这些研究是独立进行的，并且没有明确使用“多模态多目标优化”这一术语。直到2016年，梁静明确地把现实生活中存在的多个不同的帕累托最优解集的多目标优化问题定义为多模态多目标优化问题，比如功能脑成像问题、柴油机设计问题、蒸馏装置布置问题、火箭发动机设计问题、路径规划问题以及游戏地图生成问题等。

随之，很多研究者提出了解决这类问题的优化算法。目前，对于多模态多目标优化问题的优化算法分为四大类。

第一类是基于遗传算法的多模态多目标进化算法；第二类是基于粒子群的多模态多目标进化算法；第三类是基于差分演化的多模态多目标进化算法；第四类是基于其他进化算法的多模态多目标进化算法，如蝙蝠算法，鸽群算法等。尽管这些多模态多目标进化算法的目的都是为了找到尽可能多的帕累托最优解集，但现有的研究表明，这些算法在目标空间中的性能表现得并不太好。且由于多模态多目标优化问题是一个较新的课题，解决这类问题有很重要的实际意义，但又有一定的难度，所以，当前对多模态多目标优化问题的研究内容还不是很多，还需更好优化算法来解决这类问题。

多模态多目标优化问题的目的是找到近似于帕累托最优前沿的所有的帕累托最优解集，而现有技术的不足之处：(1)对参数较敏感。很多参数的设置依赖于每个优化问题的具体特点，是算法很难确定的。(2)仅考虑了目标空间中解的拥挤距离或决策空间中解的拥挤距离，很容易陷入局部最优状态；且利用目标空间中几何形状相对简单的测试目标函数进行算法测试实验，对于解决高维问题有一定的难度。(3)没有充分考虑到决策空间中种群的分布特征，得到的一些问题的最优解集不完备，解的分布也不均匀。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于灰色预测演化算法的多模态多目标优化方法，解决现有技术中缺少高效且可行的优化算法的问题。

本发明解决上述技术问题的技术方案如下：一种基于灰色预测演化算法的多模态多目标优化方法，包括：

步骤1，确定解决多模态多目标优化问题的算子机制；

步骤2，根据帕累托最优解集的数量确定多模态多目标测试函数；

步骤3，根据多目标的粒子群优化算法进行种群的初始化；

步骤4，根据灰色预测演化算法产生种群的新个体，进行个体更新，达到设置的最大迭代次数后输出结果。

本发明的有益效果是：具备寻找高质量的解、在目标空间和决策空间中找到多个解的能力，且技术参数较少，结构简单，易于理解和操作，能够更好地、高效地解决实际应用中的多模态多目标优化问题。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤1中的所述算子机制采用环形拓扑机制以及同时考虑决策空间和目标空间的拥挤距离机制。

进一步，所述步骤2中确定4个帕累托最优解集的数量为2、4个帕累托最优解集的数量为4、2个帕累托最优解集的数量为9以及1个帕累托最优解集的数量为27的11个多模态多目标测试函数。

进一步，所述步骤3中进行初始化的过程包括：