电子学报 ›› 2022, Vol. 50 ›› Issue (3): 710-717.DOI: 10.12263/DZXB.20210048

• 学术论文 • 上一篇    下一篇

基于适应度指导交配限制策略的重组算子与多目标优化研究

汪禹宏, 张屹   

  1. 常州大学机械与轨道交通学院,江苏 常州 213164
  • 收稿日期:2020-12-31 修回日期:2021-08-13 出版日期:2022-03-25 发布日期:2022-03-25
  • 作者简介:汪禹宏 男,1996年7月生,浙江金华人,2019年获得内蒙古科技大学机械设计制造及其自动化工学学士学位,现为常州大机械设计制造及其自动化在读硕士研究生,研究方向为多目标优化算法.E-mail:2458651528@qq.com
    张 屹(通讯作者) 男,1976年12月生,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.
  • 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 Recombination Operator and Multi-Objective Optimization Based on Fitness Guided Mating Restriction Strategy

WANG Yu-hong, ZHANG Yi   

  1. School of Mechanical Engineering and Rail Transit,Changzhou University,Jiangsu 213164,China
  • Received:2020-12-31 Revised:2021-08-13 Online:2022-03-25 Published:2022-03-25

摘要:

本文提出了一种基于K-means聚类适应度指导交配限制的多目标优化算法(K-means clustering-based Fitness Guided mating restriction multi-objective Evolutionary Algorithm,KFGEA).在该算法的迭代过程中,利用K-means聚类算法从全局角度提取种群结构化信息.基于聚类所得的全局信息,本文围绕个体局部信息设计了一种适应度指导交配限制策略去完成全局与局部信息的融合.该策略根据适应度值这一确定性信息来判断个体质量,对非支配解进行近邻重组,对支配解进行全局勘探,去维护算法搜索过程中开采和勘探的平衡.将KFGEA与多种主流的多目标进化算法进行试验对比研究与参数灵敏度分析的结果表明,KFGEA在求解具有复杂特性的多目标优化问题时优势明显,该策略可以有效提高多目标进化算法的性能.

关键词: 进化算法, 多目标优化, 聚类算法, 交配限制策略, 信息融合

Abstract:

This paper proposes a multi-objective evolutionary algorithm with clustering based fitness guided mating restriction strategy (KFGEA). In the iteration process of this algorithm, K-means clustering algorithm is used to extract population structure information from a global perspective.Based on the global information obtained by clustering, this paper designs a fitness-guided mating restriction strategy around individual local information to complete the fusion of global and local information.This strategy judges the individual quality based on the deterministic information of fitness value, recombines the non-dominant solution with its neighbors, explores the dominant solution globally, and maintains the balance between exploitation and exploration during the algorithm search process.Compared with other mainstream multi-objective evolutionary algorithms, KFGEA has obvious advantages in solving multi-objective optimization problems with complex characteristics. The results show that this strategy can effectively improve the performance of multi-objective evolutionary algorithm.

Key words: evolutionary algorithm, multi-objective optimization, clustering algorithm, mating restriction strategy, Information fusion

中图分类号: