[发明专利]一种基于灰色预测演化算法的多模态多目标优化方法

权利要求书

1.一种基于灰色预测演化算法的多模态多目标优化方法，其特征在于，所述方法包括：

步骤1，确定解决多模态多目标优化问题的算子机制；

步骤2，根据帕累托最优解集的数量确定多模态多目标测试函数；

步骤3，根据多目标的粒子群优化算法进行种群的初始化；

步骤4，根据灰色预测演化算法产生种群的新个体，进行个体更新，达到设置的最大迭代次数后输出结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤1中的所述算子机制采用环形拓扑机制以及同时考虑决策空间和目标空间的拥挤距离机制。

3.根据权利要求1所述的方法，其特征在于，所述步骤2中选择4个帕累托最优解集的数量为2、4个帕累托最优解集的数量为4、2个帕累托最优解集的数量为9以及1个帕累托最优解集的数量为27的11个多模态多目标测试函数。

4.根据权利要求1所述的方法，其特征在于，所述步骤3中进行初始化的过程包括：

步骤301，初始化粒子群的位置和速度，建立第一代种群X1；设置粒子群的参数，所述参数包括加速度因子以及权重系数；

步骤302，计算每个所述粒子的适应度值；

步骤303，建立所述粒子的个体最优位置存档PBA和邻居最优位置存档NBA；

步骤304，找到每个所述粒子的个体最优位置Pbest_i和邻居最优位置Nbest_i，用每个所述粒子的个体最优位置Pbest_i产生灰色预测演化算法的第一代种群P1；

步骤305，根据粒子群的位置和速度更新公式更新当代所述粒子的位置和速度；

步骤306，重新计算更新后的所述粒子的适应度值，根据更新后的所述粒子更新每个所述粒子的最优位置存档PBA{i}，找到更新后的每个所述粒子的个体最优位置Pbest_i，产生灰色预测演化算法的下一代种群P(g+1)，g为当前代数，根据更新后所述粒子更新每个所述粒子的邻居最优位置存档NBA{i}，采用非支配解排序和特殊拥挤距离机制更新所述最优存档PBA{i}和所述邻居最优位置存档NBA{i}；

步骤307，重复所述步骤304-306直到进行到第三代种群为止。

5.根据权利要求4所述的方法，其特征在于，所述步骤4中产生种群的新个体的过程包括：

步骤401，设置差分阈值th和初始扰动半径t；

步骤402，将所述步骤3的初始化过程中产生的三代种群分别指派给灰色预测演化算法的初始化的第一代种群P1、第二代种群P2以及第三代种群P3；

步骤403，分别从三代种群中随机选取三个个体分量每一维的个体分量a1,b1,c1；

步骤404，判断三个所述个体分量中的最大值与最小值的差值的绝对值d1小于所述差分阈值th时，使用随机扰动来产生所述新个体，在扰动的过程中，用当前粒子的邻居最优位置Nbest_i进行引导；

步骤405，判断三个所述个体分量随机两个的差值的绝对值d2小于所述差分阈值th时，使用线性拟合产生所述新个体，否则，利用偶数灰色模型来产生所述新个体。

6.根据权利要求1所述的方法，其特征在于，所述步骤4中进行个体更新的过程包括：

根据非支配解排序和特殊拥挤距离机制选择最优个体进入下一代。

7.根据权利要求1所述的方法，其特征在于，所述步骤4中进行个体更新后，把三代种群序列看作时间序列构成一个指数函数来预测后代，同时更新种群链，迭代次数加1，达到最大迭代次数后停止输出结果。

8.根据权利要求1所述的方法，其特征在于，所述步骤4之后还包括：

测试所述基于灰色预测演化算法的多模态多目标优化方法在所述多模态多目标测试函数上的性能和评价指标。