关联变量分组的分解多目标进化算法及其应用

摘要：

含有大规模决策变量的优化问题是当前多目标进化算法领域中的研究热点和难点之一.为有效解决大变量优化问题,设计了关联变量识别和分组策略,并结合MOEA/D算法,提出一种关联变量分组的分解多目标进化算法(MOEAD/IVG).该算法通过识别决策变量间内在的关联信息来把关联变量分配到同组中,从而将复杂高维变量的优化问题分解为简单低维的子问题来分组优化.算法通过增加关联变量分配到同组中的概率以尽可能地保留变量间的关联性,减少分组后子问题间的依赖性,从而提高子问题最优解的质量并最终获得最佳的Pareto最优解集.将该算法应用于通信系统中用户功率优化控制的工程问题,仿真实验结果表明了 MOEAD/IVG算法的有效性,无论是求解精度还是运行效率,整体上都优于其他的多目标进化算法RVEA、MOEA/D、MOPSO和NSGA-II.

关键词：大规模优化、关联变量、变量识别、功率控制

所属期刊栏目：39

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目61472366,61379077;浙江省自然科学基金项目LY13F030010,LY17F020022

在线出版日期：2018-04-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：644-650