1、多目標(biāo)優(yōu)化問題一直是優(yōu)化領(lǐng)域的研究熱點(diǎn),現(xiàn)實(shí)世界中就存在很多問題具有多目標(biāo)特征,且目標(biāo)間彼此相互沖突。該類問題不同于單目標(biāo)優(yōu)化能尋找到單一的全局最優(yōu)解,往往需要決策者在各目標(biāo)間做出折衷,進(jìn)而得到一組Pareto最優(yōu)解集。其作用機(jī)理在于進(jìn)化群體可并行搜索多個(gè)目標(biāo),逐漸找到問題的滿意解,大量研究表明進(jìn)化算法已成為解決多目標(biāo)優(yōu)化問題的有力工具。
　　差分進(jìn)化作為進(jìn)化算法的一個(gè)重要組成部分,它以原理簡(jiǎn)單、操作簡(jiǎn)便、魯棒性強(qiáng)等特性被廣泛應(yīng)用

2、于解決優(yōu)化問題領(lǐng)域。差分進(jìn)化算法的基本原理在于利用群體中個(gè)體間的差異對(duì)某一個(gè)體進(jìn)行擾動(dòng),進(jìn)而對(duì)搜索空間進(jìn)行探索,但選擇產(chǎn)生差異的個(gè)體過于隨機(jī),容易造成算法“早熟”或較長(zhǎng)時(shí)間的優(yōu)化過程,進(jìn)而導(dǎo)致無法獲得全局最優(yōu)解。此外,差分進(jìn)化算法在解決多目標(biāo)優(yōu)化問題時(shí),受自身局限性影響,致使變異策略的選擇及參數(shù)值的設(shè)定嚴(yán)重制約著算法的性能。
　　為此,本文對(duì)差分進(jìn)化算法應(yīng)用于多目標(biāo)優(yōu)化時(shí)變異策略的選擇和參數(shù)值控制進(jìn)行研究,其主要包括以下兩個(gè)方面:

3、
　　第一、在多目標(biāo)優(yōu)化過程中,種群的搜索階段不同,其搜索的目的也隨之不同,從而導(dǎo)致進(jìn)化的策略和控制進(jìn)化的參數(shù)值也有所不同。因此,我們提出了一種融合偏序傳遞方法的自適應(yīng)多目標(biāo)差分進(jìn)化算法(AMODE)。AMODE利用Pareto支配關(guān)系的偏序傳遞性對(duì)進(jìn)化群體進(jìn)行分層,結(jié)合基于類核距離的層次聚類算法對(duì)群體的分布性進(jìn)行維持,應(yīng)用概率跟蹤機(jī)制對(duì)策略池各元素進(jìn)行概率分配以及自適應(yīng)控制參數(shù)值CR和F的分布中心。大量實(shí)驗(yàn)結(jié)果表明,AMODE具

4、有較好的綜合性能,保證了解集收斂性和分布性。
　　第二、在多目標(biāo)進(jìn)化算法解決多目標(biāo)優(yōu)化問題時(shí),解集的收斂性和分布性需要著重考慮。但傳統(tǒng)DE進(jìn)化策略不能同時(shí)平衡算法的廣度搜索和深度開采,因而缺少足夠的定位和方向引導(dǎo)信息,以致無法保證算法最終獲得解集收斂性和分布性均好的效果。為此,我們根據(jù)進(jìn)化過程中當(dāng)前搜索區(qū)域的特性和種群分布情況,提出三種基于方向引導(dǎo)信息的變異策略,改進(jìn)了絕對(duì)平均信度分配方法以增加其準(zhǔn)確性;采用鄰域搜索方法,增強(qiáng)了算