多目标优化问题的各个目标往往相互冲突,不一致性使优化问题的解不是唯一的。由于约束条件的存在,使可行解空间成为不连续,从而导致最优解的搜索难度大大增加。进化算法是一种并行搜索的优化方法,适用于多目标优化问题。但是约束条件依然对进化算法的搜索速度和求解的质量形成很大的挑战。Agent因其具有自主性、协调性和自组织能力等特点,可以用于提高进化算法的求解性能。本文对此进行了深入的研究,主要内容包括：1、将Agent的思想引入到进化算法中,定义了Agent的属性,从而使其具有智能性,分布在可行空间中,不仅能够进行自学习,还可以从环境中获得相关进化信息,促进搜索Pareto最优解；2、设计了针对约束条件的操作：把约束违反程度作为一个优化目标,从而对Agent所具有的能量产生影响；设置最优解集和最优可行解集两个外部存储集,以便在寻优过程中保持Agent群体的多样性,使得最优解不会在进化过程中丢失；对可行解以及约束违反程度小的Agent进行局部爬山操作,促进最优可行解的搜索；3、将多目标决策器与基于Agent进化算法的优化器进行结合,对Agent的属性以及部分优化操作进行了改进,分别研究了融合后验优先权和优先权进化技术的可行性,并进行了相关问题的仿真研究,获得了满意的结论。4、将所提出的多目标优化算法分别应用于焊接梁以及减速器的设计优化问题,实验结果表明,在保证解的质量和分布性的同时,算法能够比较快速的收敛到最优解,验证了算法的有效性。
本文来源: https://www.lw50.cn/article/dc4e914cda95240855ca3e50.html