[发明专利]协同进化的多目标差分进化方法

说明书

本发明公开了协同进化的多目标差分进化方法，该方法在每一代迭代过程中维持两个种群：进化种群和竞争种群，初始化阶段，在待优化问题的决策空间中随机产生两个同等规模的进化种群和竞争种群；在逐代进化过程中对进化种群依次执行差分变异、差分交叉和差分选择操作，以生成子代种群；将子代种群和竞争种群合并获得临时中间种群，运用快速非支配排序方法对中间种群进行排序，选取前面较优的若干个体组成下一代进化种群；基于排序结果和拥挤距离策略更新外部档案集，并利子代种群更新竞争种群；上述过程反复执行，直至满足终止条件。本发明的方法有效解决了遗传算法易于早熟收敛和差分进化收敛速度慢的问题，显著改善了多目标进化算法的整体性能。

技术领域

本发明涉及智能优化算法领域。更具体地说，本发明涉及一种协同进化的多目标差分进化方法。

背景技术

在进化算法发展过程中，许多新的智能优化算法不断涌现出来，这些算法往往针对某一种类型的优化问题可以获得较好的结果，但对于其他类型的优化问题表现却不尽人意，因此不同算法之间的协同也成为智能优化领域新的研究方向。目前，在多目标进化算法的研究领域中，遗传算法(GA)和差分进化(DE)算法因实现简单、且性能表现优良而一直被众多研究者关注。

遗传算法具有优秀的全局寻优性能，其在寻优区域内能较快发现全局最优解，同时GA可以利用内在的并行性，可以方便地进行分布式计算，加快求解的速度。然而，GA的局部寻优能力较差，特别是GA在迭代的末期寻优能力较弱，其在解决实际问题时容易出现早熟收敛的问题。而差分进化算法也是一种并行寻优方法，DE针对群体中个体的分布情况执行进化操作，可以较好地解决算法早熟收敛的问题，同时DE具有较好的并行性和鲁棒性，但DE收敛速度较慢，需要结合其他一些收敛性能较好的算法方能发挥出其性能和优势。

发明内容

本发明的目的是提供一种协同进化的多目标差分进化方法，该方法能有效解决多目标遗传算法易于早熟收敛和求解精度不高的缺点，给出一种在多目标进化算法框架下，遗传算法和差分进化算法协同进化，高效求解复杂多目标优化问题的技术方法。

为了实现根据本发明的目的和其它优点，提供一种协同进化的多目标差分进化方法，包括以下步骤：

S1：设定多目标优化问题的目标数目M，最大迭代次数T_max，决策向量的维度n，种群的规模为N，外部档案集的容量为N'，仿二进制交叉分布指数η，变异概率p_m，差分进化缩放因子F；

S2：初始化：令迭代计数器t＝0，置初始的外部档案集Arc(t)为空，并利用随机化方法在待优化问题的决策空间中分别产生一个规模为N的初始进化种群P(t)和一个规模为N的初始竞争种群P_c(t)；

S3：计算进化种群P(t)中各个体的目标函数值向量；

S4：根据步骤S3中计算的结果，利用快速非支配排序方法对进化种群P(t)进行排序，根据排序结果将P(t)中的非支配个体拷贝到外部档案集中，若外部档案集满，则利用拥挤距离策略对外部档案集进行修剪；

S5：对进化种群P(t)依次执行差分变异、差分交叉和差分选择操作，生成规模为N的子代种群P’(t)；

S6：令P_tem(t)＝P_c(t)∪P’(t)，P_tem(t)为临时的中间种群，其规模为2N；

S7：计算P_tem(t)中各个体的目标函数值向量；

S8：根据步骤S7的计算结果，利用快速非支配排序方法对P_tem(t)进行排序，根据排序的结果将P_tem(t)中的非支配个体拷贝到外部档案集中，若外部档案集已满，则利用拥挤距离策略对外部档案集进行修剪；