多目标差分演化算法的研究与应用

工程实践中的方案设计、社会发展和国民经济中的规划与决策，大多为多目标优化问题。和传统的方法相比，智能优化算法更适合求解多目标优化问题。差分演化是一种新兴的智能优化算法，最初主要用于单目标优化，最近逐渐用来解决多目标优化问题，但现在对于多目标差分演化的研究与应用还处于初级阶段，还没有太多较成功的标志性算法。为了进一步提升多目标差分演化方法的性能，针对现有多目标差分演化算法中存在的问题，本课题从以下几个方面加以研究：研究差分演化算法本身的变异、交叉和选择等算子及其变种对多目标优化的影响；引入新的多样性保持机制；研究解决离散多目标问题的多目标差分演化算法；引入显式的积木块标识和发现机制。然后把提出的多目标差分演化算法用于解决多目标连续函数优化问题、多目标离散问题，和数据挖掘中的多目标聚类和特征选择问题，以测试算法的性能和拓宽算法的应用领域。

工程实践中的方案设计、社会发展和国民经济中的规划与决策，大多为多目标优化问题。和传统的方法相比，智能优化算法更适合求解多目标优化问题。差分演化是一种新兴的智能优化算法，最初主要用于单目标优化，最近逐渐用来解决多目标优化问题。为了进一步提升多目标差分演化方法的性能，针对现有多目标差分演化算法中存在的问题，本课题从以下几个方面加以研究：充分利用种群中个体的适应度和分布信息，提出了几种新的变异算子；引入显式的积木块标识和发现机制，来改善差分演化的交叉操作；提出了单目标引导的多目标差分演化算法框架；提出了方向偏好的多目标算法优化算法框架。另外提出了其他几种混合智能优化算法。把提出的算法用于解决多目标连续函数优化问题、多目标离散问题，和实际领域中的多目标问题，如多目标车辆路径规划问题，数据挖掘中的多目标子空间聚类问题，以测试算法的性能和拓宽算法的应用领域。