[发明专利]一种基于相似性度量的多目标优化方法

权利要求书

1.一种基于相似性度量的多目标优化方法，其特征在于，该方法针对一个多目标优化问题，首先采用切比雪夫分解策略将该多目标优化问题分解成N个标量子问题，每个子问题包含权值向量、目标函数值、邻域、参考点和对应解集五个元素；随后不断更新子问题内的各元素来优化对应的目标函数，得到最终的Pareto解集，对Pareto解集中的解的组合进行相似性分析，选择相似性最低的解的子集。

2.根据权利要求1所述的一种基于相似性度量的多目标优化方法，其特征在于，采用切比雪夫分解策略将多目标优化问题分解成N个标量子问题，具体操作包括：

步骤S1.1、设置权值向量[λ₁，λ₂，...，λ_N]^T作为一个均匀分布，将分解的N个标量子问题依次编号i＝1，...，N；

步骤S1.2、基于公式(3)，对所有的目标函数设置参考点z^*＝[z₁，z₂]^T：

z_i＝min(f_i¹(x)，...，f_i^N(x))i＝1，2.， 从式(3)，

由公式(3)可知，设置的参考点是N个子问题中对应的最小的目标函数；

步骤S1.3、基于公式(4)，计算子问题，设置邻域：

每个子问题的邻域是由距离该子问题最近的T个子问题组成，设置的邻域记为NH(j)＝(j₁，j₂，...，j_T)，j代表子问题索引。

3.根据权利要求2所述的一种基于相似性度量的多目标优化方法，其特征在于，所述距离采用欧式距离，计算欧式距离时采用的是每个子问题两个目标的权值，由于权值向量是不变的，所以每个子问题的邻域是不变的，且随着不断地迭代，每个子问题的解会不断地改进。

4.根据权利要求2所述的一种基于相似性度量的多目标优化方法，其特征在于，执行步骤S1.1过程中，设置权值向量[λ₁，λ₂，...，λ_N]^T作为一个均匀分布后，对每一个子问题随机初始化一个解x_i，该解采用实数编码，解的长度表示总的解的数量。

5.根据权利要求2所述的一种基于相似性度量的多目标优化方法，其特征在于，执行步骤S1.3时，需要计算子问题的单一目标，并将每一个单目标分配给对应子问题。