[发明专利]基于分解的多目标信息处理方法、系统、计算机设备、终端

权利要求书

1.一种带预处理的随机初始向量自适应的基于分解的多目标信息处理方法，其特征在于，应用于信息数据处理终端，所述带预处理的随机初始向量自适应的基于分解的多目标信息处理方法包括：

步骤一，所述信息数据处理终端进行初始化种群，归档集和权重向量集；并且对初始权重向量集进行变换；计算权重向量集中每个个体的相邻个体，参考点和极值点；

步骤二，判断当前代数是否小于总代数乘以系数μ，即假设当前代数为Gen，若Gen小于Gen_max×μ，则转向步骤三；否则转向步骤四；

步骤三，标准化当前种群更新参考点和极值点，对当前的权重向量进行WS变换(WS-transformation)，生成子代并且使用MOEA/D-DU中的方法更新当前种群，更新归档集，转向步骤七；

步骤四，判断当前代数是否小于0.8倍的最大代数(Gen_max×0.8)，若小于，转向步骤五，反之转向步骤六；

步骤五，生成子代并且用切比雪夫算子更新当前种群；更新归档集；更新当前权重向量；转向步骤七；

步骤六，生成子代并且用切比雪夫算子更新当前种群；转向步骤七；

步骤七，代数加1，并判断当前代数是否小于Gen_max，若是，则返回步骤二；否则，即可输出计算结果。

2.如权利要求1所述的带预处理的随机初始向量自适应的基于分解的多目标信息处理方法，其特征在于，所述步骤一具体包括：

初始化种群，归档集和权重向量集；并且对初始权重向量集进行变换；假设目标空间为三维空间，则假设初始向量为λ，包含四个向量(1,0,0)、(0,1,0)、(0,0,1)、随机生成5000个向量的向量组λ^′，计算λ^′中每个个体到λ的距离，取出所有距离中最小的值最大的个体a，将a加入λ，并将a从λ^′中删去，重复这一过程直到λ的个体数量足够；

然后，对λ进行WS变换，假设有权重向量a＝(λ₁,λ₂,…,λ_m)，其中m为目标空间维度，则WS变换后得到的向量为将WS变换之后的向量作为初始的权重向量；

再计算权重向量集中每个个体的相邻个体，参考点和极值点；权重向量集中每个个体的相邻个体即与每个权重向量欧几里得距离最近的个体，参考点和极值点即为当前种群在目标空间中每一维上的最小值和最大值。

3.如权利要求1所述的带预处理的随机初始向量自适应的基于分解的多目标信息处理方法，其特征在于，所述步骤三具体包括：

(1)标准化当前种群更新参考点和极值点；

(2)然后计算这些点组成的平面与坐标轴的截距，接着将所有个体在目标空间中的值减去参考点的值；

(3)再对得到的值对每一维除以上面得到的截距即为归一化后的值，对当前的权重向量进行WS变换，生成子代并且使用MOEA/D-DU中的方法更新当前种群，即先挑选子代中距离权重向量近的个体；

(4)再按照这一距离排序，先计算距离近的个体的适应度函数值，适应度函数的计算方法为x为个体，为参考点在第k维上的值，一旦子代的适应度函数值比原来权重向量对应的小，即用子代中个体替代父代中个体，更新过程结束；

(5)更新归档集，即将子代个体和原有归档集中的个体混合，计算混合后个体的拥挤度，拥挤度的计算方法为其中ind^j为第j个个体，为第j个个体和第i个个体之间的欧几里得距离；即对某一个个体，拥挤度为与其最近的m个个体与之距离的乘积；这一值越小越拥挤；

(6)将拥挤度大的个体删去直到归档集中个体数量合适，转向步骤七。