基于权重向量聚类的动态多目标进化算法

实际生活中存在许多的动态多目标优化问题（DMOP）。对于此类问题,当环境发生改变时,就要求动态多目标进化算法（DMOEA）能快速和准确地跟踪新环境下的帕累托前沿（PF）或帕累托最优解集（PS）。针对现有算法的种群预测性能差的问题,提出一种基于权重向量聚类预测的动态多目标进化算法（WVCP）。该算法首先在目标空间中生成均匀的权重向量,并对种群中的个体进行聚类,再根据聚类情况分析种群的分布性。其次,对聚类个体的中心点建立时间序列。对同一权重向量,针对不同的聚类情况采取相应的应对策略对个体进行补充,若相邻时刻均存在聚类中心,则采用差分模型预测新环境下的个体;若某一时刻不存在聚类中心,则用相邻权重向量聚类中心的质心作为该时刻的聚类中心,再运用差分模型预测个体。这样不仅可以有效地解决种群分布性差的问题,还可以提高预测的准确性。最后,引入个体补充策略,以充分地利用历史信息。为验证WVCP算法的性能,把它与四种代表性算法进行了仿真对比。实验结果表明,所提算法能够很好地解决DMOP。