[发明专利]一种面向决策变量分组优化的双种群协同进化方法及应用

权利要求书

1.一种面向决策变量分组优化的双种群协同进化方法，其特征在于，该方法定了面向收敛性优化种群CP和面向多样性优化种群DP，所述进化方法具体包括以下步骤：

步骤S1，随机初始化种群CP和DP；

步骤S2，获取已有多目标优化算法的收敛性变量和多样性变量的分组结果，并对混合变量进行分组；

步骤S3，基于链接学习技术，将收敛性变量划分为互不依赖的收敛性变量分组；

步骤S4，CP交配选择过程；

步骤S5，DP交配选择过程；

步骤S6，在CP进化过程中，进行收敛性交叉和变异操作；

步骤S7，在DP进化过程中，进行多样性交叉和变异操作；

步骤S8，CP和DP环境选择过程；

步骤S9，对CP和DP每次迭代后的新种群可采用主从范式进行信息补偿。

2.根据权利要求1所述的一种面向决策变量分组优化的双种群协同进化方法，其特征在于，所述的CP和DP分别拥有独立互补的进化范式，其中，CP采用面向收敛性的交叉变异进行种群演化，并结合收敛性环境选择机制来维持种群的收敛性；DP采用面向多样性的交叉变异进行种群演化，并结合多样性环境选择机制来维持种群多样性。

3.根据权利要求1所述的一种面向决策变量分组优化的双种群协同进化方法，其特征在于，在所述的CP交配选择过程中，限制交配选择策略RMS基于收敛性指标从CP中选取个体P^c，然后从DP中基于PBI距离来选取个体P^d。

4.根据权利要求3所述的一种面向决策变量分组优化的双种群协同进化方法，其特征在于，在所述DP交配选择过程中，限制交配选择策略RMS基于多样性指标从DP中选取个体P^d。，然后从CP中基于个体到超平面的距离来选取个体P^c。

5.根据权利要求4所述的一种面向决策变量分组优化的双种群协同进化方法，其特征在于，所述限制交配选择策略RMS具体为：

根据实验需要，设置合适的阈值，并生成随机数，若产生的随机数小于阈值，则随机从CP∪DP中选取两个个体P^c和P^d；反之，则根据收敛性指标从CP中选取一个个体P^c，而后根据多样性指标从DP中选取一个个体P^d。

6.根据权利要求1所述的一种面向决策变量分组优化的双种群协同进化方法，其特征在于，所述CP和DP环境选择过程具体为：

步骤S801，对CP和DP后代解进行共享，从而使得新产生的子代种群能够同时具备两个父代种群的优势；

步骤S802，CP采用收敛性环境选择机制，对CP或CP与DP的后代解进行环境选择；

步骤S803，DP采用多样性环境选择机制，对DP或CP与DP的后代解进行环境选择。

7.根据权利要求6所述的一种面向决策变量分组优化的双种群协同进化方法，其特征在于，所述CP和DP每次迭代后的新种群进行信息补偿，具体包括：采用主从范式，新产生的两个种群具有主从关系，从种群DP负责对主种群CP进行信息补偿，算法的最终输出结果由主种群CP产生。

8.根据权利要求1所述的一种面向决策变量分组优化的双种群协同进化方法，其特征在于，所述对混合变量进行分组为基于变量特性分析技术将决策变量划分为收敛性变量分组和多样性变量分组，具体分组步骤如下：

(a)混合变量分类：直接使用已有算法的变量分组结果，保持原有的的收敛性变量分组和多样性变量分组，针对混合性变量进行进一步分组；

(b)依赖关系分析：基于链接学习技术，将收敛性变量划分为互不依赖的收敛性变量分组；

(c)收敛性交叉以互不依赖的收敛性变量分组为单位进行交叉操作；多样性交叉以所有多样性变量为单位进行交叉操作；

(d)收敛性变异在收敛性变量中选择变量进行变异；多样性变异在多样性变量中选择变量进行变异。