排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
为提高多目标进化算法的收敛性,提出一种基于空间距离的多目标进化算法.定义一种密度估计指标--树聚集距离,在考虑非支配前沿的同时,利用个体的空间距离及树聚集距离进行个体选择操作.另外,在外部种群的非支配解个数超过规定的种群规模时,用基于个体邻近距离的维护方法对其进行维护.通过6个测试问题和5个方面的测试标准,与NSGA-Ⅱ和SPEA2进行比较,该算法在拥有更好收敛度的同时,保持良好的均匀性和分布广度. 相似文献
2.
3.
网格方法被多个进化算法用来保持解集的分布性。基于ε支配概念的ε-MOEA本质上也是基于网格策略的。虽然ε-MOEA通常情况下都能在算法性能的各方面之间取得较为合理的折衷,但是由于其存在固有缺陷,很多时候表现出不容忽视的问题——当PFtrue对某一维的变化率在该维不同区域的差异较大时,解集中边界个体或代表性个体丢失——严重影响解集的分布性。针对这一问题,定义了一种新的δ支配概念和虚拟“最优点”的概念,提出了一种新的网格存优策略,并将之应用于更新进化多目标归档算法的归档集。实验结果显示,基于新的存优策略的进化多目标归档算法(δ-MOEA)具有良好的性能,尤其在分布性方面比NSGA2和ε-MOEA好得多。 相似文献
4.
进化种群中出现重复个体意味着搜索区域的重叠,使得算法探索新可行区域的效率降低。另外个体重复浪费了解集中的个体名额,且造成信息冗余,使得解集的有效代表性变差。这在用NSGA-Ⅱ处理低维问题时体现得较为严重。分析了NSGA-Ⅱ中出现重复个体的原因,测试了编码方式和变量维数与重复个体数量的关系;通过实验检验了重复个体对于算法性能和解集质量的影响。实验结果表明,去除重复个体的算法能获得分布性更好的解集,且具有更强的稳定性。 相似文献
1