科研之友
微信
新浪微博
Facebook
分享链接
摘要
目前多目标进化算法（MOEA）因其良好的全局探索能力备受关注，但其在最优值附近的局部搜索能力却相对较弱，且对于具有大规模决策变量的优化问题，MOEA所需的种群数量与迭代次数都十分庞大，因此优化效率较低。基于梯度的优化算法能够很好地克服这些问题，但梯度搜索算法很难应用于多目标问题（MOPs）。因此，本文在加权平均梯度的基础上引入了随机权函数，发展了多目标梯度算子，将其与Deb[10]在2013年提出的基于参考点的非支配遗传算法（NSGA-Ⅲ）结合，发展了多目标梯度优化算法（MOGBA）和多目标混合进化算法（HMOEA）。后者在保留NSGA-Ⅲ良好的全局探索能力的同时，极大地增强了局部搜索能力。数值实验表明HMOEA对于各种Pareto阵面都具有优秀的捕获能力，与典型的多目标算法相比效率提升了5～10倍。并且进一步将HMOEA应用于RAE2822翼型的多目标气动优化问题中，得到了理想的Pareto前沿，表明HMOEA是一种高效的优化算法，在气动优化设计中具有潜在的应用价值。
- 单位
