1、實(shí)際工程中存在著大量的具有多約束、多變量以及高度非線性等性質(zhì)的復(fù)雜多目標(biāo)優(yōu)化問題。由于傳統(tǒng)的確定性優(yōu)化技術(shù)不能較好地求解這一類問題，因此基于自然啟發(fā)搜索的進(jìn)化算法成為了解決此類問題的主流方法。由于多目標(biāo)進(jìn)化算法單次運(yùn)行就可獲得多目標(biāo)優(yōu)化問題Pareto解集的逼近解集，因此近年來得到了蓬勃發(fā)展。
　　多目標(biāo)進(jìn)化算法有兩個(gè)重要算子：個(gè)體重組算子和環(huán)境選擇算子。重組算子的作用是產(chǎn)生新個(gè)體，而環(huán)境選擇算子的作用則是挑選優(yōu)良個(gè)體進(jìn)入下一代。

2、當(dāng)前，大量的研究工作集中于環(huán)境選擇算子，而對(duì)個(gè)體重組算子投入的關(guān)注較少，大部分的多目標(biāo)進(jìn)化算法直接應(yīng)用單目標(biāo)進(jìn)化算法中的重組算子。實(shí)際上，由于m個(gè)目標(biāo)的連續(xù)多目標(biāo)優(yōu)化問題的Pareto解集是一個(gè)m1維的分段連續(xù)的流型，因此，在多目標(biāo)進(jìn)化算法重組的過程中，如果充分地將這一規(guī)則特性用于引導(dǎo)搜索，理應(yīng)獲得更高的搜索效率。近年來，機(jī)器學(xué)習(xí)和進(jìn)化計(jì)算技術(shù)的同步快速發(fā)展讓學(xué)者們更積極地思考二者的相互促進(jìn)。由于進(jìn)化算法是基于數(shù)據(jù)的科學(xué)，因此本文提出將

3、典型的數(shù)據(jù)挖掘方法-聚類算法應(yīng)用到多目標(biāo)進(jìn)化算法中，用以發(fā)掘多目標(biāo)優(yōu)化問題的Pareto解集的結(jié)構(gòu)，并利用此結(jié)構(gòu)設(shè)計(jì)特定的重組算子，引導(dǎo)算法的搜索。本文的研究工作總結(jié)概括如下：
　　傳統(tǒng)的單目標(biāo)進(jìn)化算法重組算子直接以整個(gè)種群作為交配池隨機(jī)地挑選父?jìng)€(gè)體產(chǎn)生新解，在多目標(biāo)進(jìn)化算法進(jìn)化后期，這些算子產(chǎn)生的新解容易偏離Pareto解集的流型。為了解決此問題，設(shè)計(jì)了一種自適應(yīng)交配限制策略AMRS，進(jìn)而提出了一種基于近鄰傳播的多目標(biāo)進(jìn)化算法A

4、PMO。AMRS使用了一種近鄰傳播聚類方法AP發(fā)掘種群的分布結(jié)構(gòu)，基于此結(jié)構(gòu)，以一定的交配限制概率利用鄰居個(gè)體或相互差異較大的個(gè)體構(gòu)建交配池用于重組。為了適應(yīng)進(jìn)化過程中勘探和開采的平衡的變化，在每一代，根據(jù)兩類交配池在過去一定代數(shù)的重組效用對(duì)交配限制概率進(jìn)行更新。對(duì)比實(shí)驗(yàn)表明APMO具有優(yōu)秀的求解性能。實(shí)驗(yàn)分析指出AMRS的設(shè)計(jì)科學(xué)合理，并且AMRS具有良好的適應(yīng)性。巡航導(dǎo)彈航跡規(guī)劃結(jié)果表明AMRS能夠提高多目標(biāo)進(jìn)化算法解決復(fù)雜工程多目

5、標(biāo)優(yōu)化問題的能力，并且基于多目標(biāo)進(jìn)化算法開展航跡規(guī)劃合理而且必要。
　　多目標(biāo)進(jìn)化算法的基于高斯模型抽樣的重組算子中，通常存在所求解問題的特性考慮不夠，建模時(shí)異常解處理不合理而且計(jì)算復(fù)雜度高，產(chǎn)生的新解多樣性不足等問題。為了解決這些問題，設(shè)計(jì)了一種基于聚類的混合高斯模型抽樣策略CASS，將CASS算子與差分進(jìn)化算子相結(jié)合，進(jìn)而提出了一種自適應(yīng)增量多目標(biāo)進(jìn)化算法AMEA。AMEA在每一代首先運(yùn)用K-means聚類算法發(fā)掘種群的結(jié)構(gòu)。

6、基于此結(jié)構(gòu)，差分進(jìn)化算子挑選相互差異較大的解作為父?jìng)€(gè)體產(chǎn)生新解，CASS算子使用協(xié)方差矩陣共享策略每個(gè)解構(gòu)建一個(gè)高斯模型共同逼近種群結(jié)構(gòu)并抽樣產(chǎn)生新解。為了適應(yīng)進(jìn)化過程中勘探和開采平衡的變化，基于兩種算子先前產(chǎn)生新解的效用，設(shè)計(jì)了一種強(qiáng)度Pareto的方法自適應(yīng)地控制兩種算子的貢獻(xiàn)。為了降低聚類引起的計(jì)算開銷，AMEA中還引入了一種重用機(jī)制降低執(zhí)行聚類過程的次數(shù)。實(shí)驗(yàn)分析表明AMEA對(duì)于具有多種特性的標(biāo)準(zhǔn)測(cè)試題以及實(shí)際的巡航導(dǎo)彈航跡規(guī)劃

7、問題求解性能優(yōu)異，設(shè)計(jì)的CASS抽樣策略、新解產(chǎn)生算子混合與自適應(yīng)控制機(jī)制、種群結(jié)構(gòu)重用機(jī)制均合理有效。
　　APMO和AMEA在進(jìn)化過程中需要完成多次多重迭代的聚類過程，為了進(jìn)一步降低聚類帶來的計(jì)算開銷，通過將聚類的迭代過程與進(jìn)化算法的進(jìn)化過程融合，提出了一種設(shè)計(jì)聚類-進(jìn)化融合的重組算子的思路。首先基于K-means聚類算法的融合實(shí)驗(yàn)證明了這種思路可行有效。之后利用自組織映射聚類算法SOM進(jìn)行融合，開發(fā)了一種自組織多目標(biāo)進(jìn)化算法

8、SMEA。在SMEA中，交替執(zhí)行進(jìn)化操作和SOM聚類算法的訓(xùn)練操作。每一代，僅利用新近保留的有效解訓(xùn)練SOM模型，并且SMEA僅訪問每個(gè)訓(xùn)練解一次，然后利用當(dāng)前為止發(fā)掘的結(jié)構(gòu)引導(dǎo)個(gè)體從鄰居或整個(gè)種群中挑選父?jìng)€(gè)體產(chǎn)生新解。由于完成進(jìn)化算法的進(jìn)化過程僅需要實(shí)現(xiàn)一個(gè)多重迭代的聚類過程，因此能極大地降低聚類操作帶來的計(jì)算開銷。實(shí)驗(yàn)分析顯示，SMEA能以較小的聚類計(jì)算開銷對(duì)于多種不同特性的標(biāo)準(zhǔn)測(cè)試問題以及實(shí)際的復(fù)雜巡航導(dǎo)彈航跡規(guī)劃問題均達(dá)到良好的

9、求解效果。
　　當(dāng)前存在的基于數(shù)據(jù)挖掘方法的多目標(biāo)進(jìn)化算法中，其所采用的數(shù)據(jù)挖掘方法一般要求用于學(xué)習(xí)的數(shù)據(jù)滿足獨(dú)立同分布假設(shè)。由于進(jìn)化算法產(chǎn)生的是非平穩(wěn)數(shù)據(jù)，其并不滿足這一假設(shè)。為了充分考慮進(jìn)化過程的數(shù)據(jù)的特點(diǎn)，率先設(shè)計(jì)了一種基于對(duì)非平穩(wěn)數(shù)據(jù)學(xué)習(xí)的在線凝聚聚類AddC的重組算子，進(jìn)而提出了一種增量進(jìn)化算法OCEA。在OCEA中，AddC的迭代過程與多目標(biāo)進(jìn)化算法的進(jìn)化過程融合在一起。每當(dāng)一個(gè)新解被保留，則算法開展一次在線聚類，更新