[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

说明书

本发明属于计算机技术领域，公开了一种基于分解的多目标信息处理方法、系统、计算机设备、终端，初始化种群，归档集EP和权重向量集；并且对初始权重向量集进行WS变换；计算初始权重向量集中每个个体的相邻个体，参考点和极值点；判断当前代数是否小于预设值，若小于，则标准化当前种群，对当前的权重向量进行WS变换，生成子代并使用MOEA/D‑DU中的方法更新当前种群；直至达到最大迭代数。本发明使用MOEA/D‑DU算法中新的筛选解的方法，得到更加趋近于当前权重向量的结果，从而生成位置更合适的新权重向量。最终得到质量更高的计算结果。

技术领域

本发明属于计算机技术领域，尤其涉及一种基于分解的多目标信息处理方法、系统、计算机设备、终端。

背景技术

目前，在某一个情境中，无法同时得到多个目标的最优值，在得到某一个目标更好的值的过程中其他目标的值会相应的变差。所以多目标优化算法得到的是一系列最优解而不是单个的最优解。所有的最优解组成一个面，叫做前沿面(PF：Pareto Front)。要注意的是，一些问题中，PF不连续或者不是一个规则的平面。

MOEA/D算法是一种经典的多目标优化算法，它在目标空间中生成一系列均匀的权重向量，之后在这些权重向量对应的方向上搜索解，从而得到一系列最优解。

但是MOEA/D算法会存在一系列问题，对于不规则的前沿面，得不到均匀的解，而对于不连续的前沿面，会得到一系列重复的解。对于这种情况，前人提出了随机初始向量自适应的基于分解的多目标算法(Many-Objective Evolutionary Algorithm Based OnDecomposition With Random And Adaptive Weights：MOEA/D-URAW)。这一算法首先是权重向量自适应的，即可以调整位置不合适的权重向量从而使得得到的解更加均匀。其次使用了新的随机初始向量生成方法。

具体的调整方法是，每次生成新的个体都用来更新归档集(EP)，之后删去当前种群中拥挤度最大的个体和其对应的权重向量，计算归档集中的个体到当前种群中剩余个体之间的拥挤度，取出拥挤度值最小的归档集中的个体。之后使用WS变换得到这个归档集中的个体对应的权重向量，将这个个体加入当前种群，将这个权重向量加入当前的权重向量。拥挤度计算这里使用NSGA-II算法中的方法。

其次使用了新的随机初始向量生成方法，即首先得到一组初始向量ω₁，以目标空间维数M＝3为例，首先本发明得到初始向量(1，0，0)、(0，1，0)、(0，0，1)、(1/3，1/3，1/3)，之后在目标空间中随机生成5000个向量ω₂，再求出ω₂与ω₁之间距离最大的向量，将其加入ω₁，重复这一过程直到得到足够数量的权重向量。

但是这一算法存在问题，在算法的初始阶段，原始的MOEA/D方法中的切比雪夫分解算子会得到距离权重向量较远但是适应度函数值较小的解。这些个体会被选入归档集，通过这些解调整得到的权重向量，可能比原来的权重向量更加不均匀，从而得到质量更差的解。

在实际的工业优化问题中，使用多目标优化算法时，面对的问题往往是在两个相互冲突的变量之间做取舍。对于这类问题，不存在单一的最优解，而是一系列解，且分布在一个面上，称为前沿面。原始的算法由于初始阶段的算子不合理，可能得到解的均匀程度不够，或者无法覆盖整个前沿面。当我们得到了正确的前沿面时，对某一目标维度，其值固定时，我们可以得到另一维度上所能取得的最好的值。并且可以得到对应的设计参数。

通过上述分析，现有技术存在的问题及缺陷为：(1)原始的算法由于初始阶段的算子不合理，导致得到解的均匀程度可能不够。从而无法得到前沿面的完整消息，而无法指导问题的解决。