电子学报 ›› 2021, Vol. 49 ›› Issue (9): 1754-1760.DOI: 10.12263/DZXB.20200397

所属专题: 多目标优化

• 学术论文 • 上一篇    下一篇

基于多源交配选择策略的重组算子与多目标优化研究

张屹1, 陆逸舟1, 王帅1, 陆曈曈2   

  1. 1.常州大学机械与轨道交通学院,江苏 常州 213164
    2.常州大学商学院,江苏 常州 213164
  • 收稿日期:2020-04-24 修回日期:2021-01-09 出版日期:2021-09-25 发布日期:2021-09-25
  • 作者简介:张 屹 男,1976年12月出生,甘肃兰州人,博士、教授、博士生导师、国家自然基金委机械学科评审专家.分别于2000年、2005年在中国科学技术大学获工学学士学位和工学博士;2006年至2008年在中国科学技术大学工程学院力学博士后流动站从事博士后研究,主要研究方向为机电系统现在设计方案、智能计算等. E-mail:jxzhangyi1976@126.com
    陆逸舟 男,1996年5月出生,江苏南京人,2014年获得常州工学院工学学士学位,现为常州大学动力工程在读硕士研究生,主要研究方向为多目标优化算法.E-mail:luyizhou9605@163.com
    王 帅 男,1993年4月出生,江苏徐州人,2020年获常州大学硕士学位,现就读于华东师范大学信息学部计算机科学与技术学院博士研究生,主要研究方向为多目标优化算法.E-mail: wangshuai515658@163.com
    陆曈曈 (通讯作者) 女,1977年2月出生,江苏无锡人,副教授. 主要研究方向为多目标优化算法.E-mail: ppgug@126.com
  • 基金资助:
    国家自然科学基金(51875053);科技部重点研发计划项目(2018YFC1903101)

Research on Reproduction Operator and Multi-objective Optimization Based on Multi-source Mating Selection Strategy

Yi ZHANG1, Yi‐zhou LU1, Shuai WANG1, Tong‐tong LU2   

  1. 1.School of Mechanical Engineering and Rail Transit,Changzhou University,Changzhou,Jiangsu 213164,China
    2.School of Bussiness,Changzhou University,Changzhou,Jiangsu 213164,China
  • Received:2020-04-24 Revised:2021-01-09 Online:2021-09-25 Published:2021-09-25

摘要:

本文提出了一种基于多源交配选择的多目标进化算法(Multi-source Mating Selection based Multi-objective Evolutionary Algorithms, MMSEA).在MMSEA算法中,谱聚类被用来挖掘种群规则特性,基于所获得的种群结构化信息设计了一种多源交配选择重组算子来引导算法搜索,通过为每个个体设置多个交配选择源,在利用相似个体重组加速算法收敛的同时较好地保持了种群的多样性.实验结果表明,所提重组算子可以有效提升算法性能,将MMSEA与多种主流的多目标进化算法进行实验对比研究与参数灵敏度分析的结果表明,MMSEA在求解具有复杂特性的典型多目标优化问题测试集时表现出较强的竞争力.

关键词: 聚类学习, 进化算法, 交配选择, 多目标优化

Abstract:

This work proposes a multi-source mating selection based multi-objective evolutionary algorithm(MMSEA). In MMSEA, the spectral clustering algorithm is used to exploit the property of the multi-objective optimization problems. Based on the obtained population structure information, a multi-source mating selection strategy is designed to guide the algorithm search. The convergence of the algorithm is accelerated and the diversity of the population is maintained by setting multiple mating selections for each individual and using similar-based reproduction. The experimental results show that the proposed reproduction operator can effectively improve the performance of the algorithm. MMSEA is experimentally compared with variety of mainstream multi-objective evolutionary algorithms, and parameter sensitivity is also performed. In these experiments, MMSEA demonstrates strong competitiveness over the other approaches in solving typical multi-objective optimization problems with complex characteristics.

Key words: clustering learning, evolutionary algorithm, mating selection, multi-objective optimization

中图分类号: