《基於譜流形降維的大規模進化多目標最佳化研究》是依託深圳大學，由李霞擔任項目負責人的面上項目。
基本介紹
- 中文名：基於譜流形降維的大規模進化多目標最佳化研究
- 項目類別：面上項目
- 項目負責人：李霞
- 依託單位：深圳大學
項目摘要,結題摘要,
項目摘要
本項目提出基於譜流形降維的大規模進化多目標最佳化研究。隨著現實工業生產實踐中的最佳化問題的目標越來越多，很多傳統的低維多目標最佳化算法出現了不可逾越的困難，迫切需要發展新的方法來解決大規模多目標最佳化問題。本項目擬研究以超體積為代表的面向大規模問題的高效進化多目標進化方法，融入偏好信息指導進化算法在決策者感興趣的區域搜尋，同時利用局部流形結構保持的譜流形思想尋求儘可能保持最優解占優關係不變的譜流形降維方法，探索基於譜流形降維的大規模多目標進化最佳化問題求解的新思路、新框架和新算法，克服傳統低維多目標最佳化算法解決大規模問題時收斂性差、最優解個數龐大、最優解可視化困難、無法決策等缺點。此外，將其套用於注塑企業的實際生產排程過程，嘗試解決多約束和多目標決策問題。本項目是利用機器學習理論與群智慧型技術對求解大規模多目標最佳化問題進行理論創新並嘗試拓展新的套用領域。
結題摘要
多目標最最佳化問題是工程實踐和日常生活中最常見的問題形式之一，相對於單目標最佳化問題，求解多目標最佳化問題要複雜得多，特別當目標個數很多時，傳統最佳化方法常顯得力不從心。本項目探索基於譜流形降維的大規模進化多目標最佳化研究。研究高效的多目標最佳化算法，提出了基於改進種群分割的多目標混合蛙跳算法和基於ε指標的高效多目標混合蛙跳算法，設計了基於混合粒子群—極值動力學最佳化的多目標最佳化算法，提高了最佳化算法的收斂能力和求解精度。此外，受“求同存異”思想的啟發，探索了一種新型的求同群智慧型最佳化算法。在此基礎上，研究多目標Pareto最優前沿的譜性質和特徵，抽取Pareto前沿的潛在結構，提出基於稀疏特徵選擇目標降維的大規模多目標進化算法。分析了目標數固定遞減、基於誤差閾值的目標數自適應遞減和依重要性指標目標整合三種線上目標降維模式，提出了一種線上目標降維的多目標進化算法。基於衝突機率信息分析，設計了基於目標空間劃分的高維多目標最佳化進化方法，降低大規模最佳化問題複雜度，克服進化多目標最佳化算法解決大規模問題時、最優解個數龐大、最優解可視化困難以及無法決策等缺點。在複雜多倉庫中心多約束的車輛路徑MDVRP（Multiple Depot VRP）、帶時間窗約束MDVRP（MDVRP with time window）、脈衝都卜勒雷達波形設計以及生產注塑排程等工程實際問題中取得了較好套用效果。
