基于SOM聚类和自适应算子选择的高维多目标进化算法

作     者：钟沛龙 黎明 何超 陈昊 ZHONG Pei-long;LI Ming;HE Chao;CHEN Hao

作者机构：南昌航空大学信息工程学院江西南昌330063 南昌航空大学无损检测技术教育部重点实验室江西南昌330063 南京航空航天大学自动化学院江苏南京211106 

出 版 物：《电子学报》 (Acta Electronica Sinica)

年 卷 期：2022年第50卷第8期

页      面：1959-1974页

核心收录：

学科分类：08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金(No.61772255,No.61866025,No.61866026,No.61961030) 江西省教育厅科学技术项目(No.GJJ170608) 江西省优势科技创新团队计划项目(No.20181BCB24008) 江西省自然科学基金(No.20181BAB202025,No.20202BAB204036) 无损检测教育部重点实验室开放基金(No.EW201708505) 江西省研究生创新专项资金项目(No.YC2020-S520)。 

主　　题：高维多目标优化 自组织映射网络 聚类 自适应选择 进化算法 

摘      要：在高维多目标进化算法中,通常利用重组算子产生优质子代来引导种群搜索,已有研究表明,利用相似个体进行重组可以提高子代个体质量.由于自组织映射(Self-Organizing Mapping,SOM)网络能够通过聚类的方式保持种群个体原有的拓扑逻辑关系并获得个体的相似信息,因此本文提出一种基于SOM聚类和自适应算子选择的高维多目标进化算法(Many-Objective Evolutionary Algorithm based on SOM Clustering and Adaptive Operator Selection,MaOEASCAOS).本文首先通过自组织映射网络进行种群分类,提取个体数据结构信息,并利用相似性构建邻域交配池;然后根据类内个体支配信息进行自适应算子选择,提高算法搜索和收敛性能;最后,采用环境选择策略对种群进行多样性管理以保证种群在帕累托前沿均匀分布.仿真结果表明,本文提出的基于SOM聚类和自适应算子选择(SOM Clustering and Adaptive Operator Selection,SCAOS)方法在处理高维多目标优化问题时具有较强的竞争力并且性能指标整体优于其他方法.