[发明专利]基于动态分解和选择的超多目标优化方法、系统、终端

说明书

本发明属于计算机技术领域，公开了一种基于动态分解和选择的超多目标优化方法、系统、终端，随机初始化具有N个个体的种群P；利用DDS选择N个优秀个体作为下一代演化子代P，并计算出被选个体距离超平面的距离和个体对应的参考点之间的距离；初始化子代种群O为空集；针对父代中的N个个体，开始循环处理；初始化用于存储子代个体的R，对当前父代利用Mating‑Selection选择出一个交配个体；对两个父代利用SBX和PM生成一个子代R，将子代R加入到子代种群O中；重复进行种群选择直至达到最大演化代数为止。本发明利用每一代个体的收敛性和个体之间的多样性，作为个体在交配变异的信息，可以促使后代朝着更好的方向进化。

技术领域

本发明属于计算机技术领域，尤其涉及一种基于动态分解和选择的超多目标优化方法、系统、终端。

背景技术

目前，单目标、多目标以及超多目标优化问题是日常生活中常见的问题。针对单目标优化问题，演化算法(Evolutionary Algorithm，EA)利用自然进化选择和自然进化的随机搜索机制，很好的解决了此类问题。但是在多目标与超多目标优化问题中，目标之间存在着相互冲突或者相互促进的关系。所以多目标和超多目标优化不同于单目标优化，单目标优化存在唯一的最优解。但多目标和超多目标优化问题需要通过权衡各个小目标，来获取一系列的最优解集。

针对多目标优化问题和超多目标优化问题，常用的方法类型有：基于支配的，基于指标和基于分解的。其中，基于分解的算法由于其使用的广泛性，备受一些研究者地关注。基于分解的多目标优化算法，最具有代表性的就是MOEA/D，将多目标优化问题转化为一系列单目标优化问题，并对这些单目标优化问题同时进行优化。

随着研究的不断深入，一些专家学者发现。传统的基于分解的算法，每个子区域在每一代演化过程中都是固定不变的，将会导致基于分解的多目标优化算法的性能受到真实Pareto fronts(PF)形状的影响。

DDEA算法使用了动态分解的方法去解决超多目标优化的问题。在此算法中，固定的参考点被解集自身取代。因为在演化过程中，可以根据解集的分布情况可以更好的反映出PF的形状。但是此算法选择最优解集，容易使得算法在解决具有凸类型的PF问题，解集都集中于PF的中间部分。导致所获得解集多样性差，解集陷入局部最优。

通过上述分析，现有技术存在的问题及缺陷为：现有的多目标有优化方法不适用所有情景，同时其优化结果具备一定限制。

解决以上问题及缺陷的难度为：

不知道真实的Pareto front，根据最优解自身可以大致反映出真实PF。DDEA算法虽然可以动态的调整参考点的位置，但是在选择最优个体时，容易使得具有凸类型的PF问题最优个体聚集到PF的中部，导致解集的多样性差，解集陷入局部最优。

解决以上问题及缺陷的意义为：

解决该问题之后，算法的鲁棒性更强。可以使得得到的解均匀分布到整个PF面上，得到一组最优解集。提高后的算法可以更好的解决不同类型的PF问题，比如复杂的、多峰的、凸类型和凹类型等问题。

发明内容

针对现有技术存在的问题，本发明提供了一种基于动态分解和选择的超多目标优化方法、系统、终端。

本发明是这样实现的，一种基于动态分解和选择的超多目标优化方法，所述基于动态分解和选择的超多目标优化方法包括：

步骤一，随机初始化具有N个个体的种群P，初始化当代演化代数为0；计算出被选个体距离超平面的距离和个体对应的参考点之间的距离，并利用DDS策略选择N个优秀个体作为下一代演化子代P；

步骤二，初始化子代种群O为空集；