科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于决策者偏好的高维目标优化算法能有效集中算法资源和减小搜索空间,是处理高维目标优化问题的有效途径之一.现有研究发现,参考点位置选择对算法性能影响显著,位于极端位置的参考点容易引发算法不收敛;同时,算法多样性在种群逼近Pareto前沿的过程中反复遭到破坏.为解决以上问题,该文提出一种基于角度惩罚距离精英选择策略的偏好高维目标优化算法.该算法将决策者偏好信息融入到基于分解的多目标优化算法中,提出偏好向量生成策略,消除算法收敛性对参考点位置的敏感性;同时引入角度惩罚距离(APD)机制,分析该机制在算法搜索后期存在种群退化、收敛放缓等缺陷的基础上,提出APD精英选择策略,通过有效分配算法资源,平衡算法收敛性和多样性.算法性能对比实验中,将该文提出的算法与g-占优、r-占优、双极偏好占优以及MOEA/D-PRE在3至10维DTLZ1-4测试问题上进行性能测试.实验结果表明,该文提出的偏好算法所求解集能够有效反映决策者的偏好信息,并且在高维目标优化问题上,所提算法在偏好区域求得解集的收敛性和均匀性更优.
- 单位
