摘要: 现实生活中许多问题是多目标优化问题。多目标进化算法以种群进化的方式不断逼近最优解，具有全局优化能力，已成为处理多目标优化问题的常用方法，是目前的研究热点。然而，多目标进化算法收敛慢，需要消耗较多的计算资源才能获得满足要求的解。相反... 展开 现实生活中许多问题是多目标优化问题。多目标进化算法以种群进化的方式不断逼近最优解，具有全局优化能力，已成为处理多目标优化问题的常用方法，是目前的研究热点。然而，多目标进化算法收敛慢，需要消耗较多的计算资源才能获得满足要求的解。相反，局部搜索策略可以快速收敛到局部最优解，却没有全局搜索能力，难以维持多样性。本论文的研究目的是将局部搜索策略与多目标进化算法相结合，利用两者的优点，设计高效的混合多目标优化算法，以求解多目标优化问题。论文的主要创新点如下: 1)针对多目标进化算法收敛慢的不足，提出了融合梯度搜索策略的多目标优化算法。该算法使用目标梯度信息找到帕累托下降方向，构造基于多目标最速下降法的局部搜索策略，加快算法收敛速度。同时，该算法利用两种聚类技术为种群中的个体选择合适的帕累托下降方向。为了减少局部搜索带来的多样性损失，该算法使用基于分解的多目标进化算法(Decomposition-basedMulti-objectiveEvolutionaryAlgorithm，MOEA/D)增强种群的多样性。此外，该算法提出了一个交替机制，交替使用局部搜索策略和MOEA/D，达到平衡收敛性和多样性的目的。数值实验表明，该算法在多目标测试问题上表现优异。 2)针对多目标进化算法难以平衡多样性和收敛性的不足，提出了融合约束子问题梯度信息的两阶段多目标优化算法。该算法在两个独立连续的阶段分别处理收敛性和多样性。第一阶段，该算法将多目标优化问题分解为一组约束子问题，根据子问题梯度信息，找到对应的下降方向，构造局部搜索策略，快速得到一组具有良好收敛性的有前景的解。第二阶段，该算法在有前景的解周围生成种群，使用多样性改进策略增强种群的多样性。数值实验表明，该算法具有良好的性能。 3)考虑到一些多目标优化问题的梯度信息难以获取，提出了融合无梯度搜索策略的多目标优化算法。该算法通过学习种群的进化趋势找到潜在的下降方向，构造局部搜索策略来加快算法收敛速度，并利用MOEA/D维持种群的多样性。同时，该算法动态调整使用局部搜索策略的概率，来平衡收敛性和多样性。此外，该算法利用改进的差分算子增强目标空间中稀疏区域的多样性。数值实验表明，该算法对于多目标优化问题是有效的。 收起