欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2018112309298
申请人: 郑州大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于MAB的超启发式算法求解多目标优化问题的方法,其特征在于:该方法包括:(1)给出低层启发式算子的集合H={h1,h2…hnum},其中num为低层启发式算子的个数,h1,h2…hnum为多目标优化算法或算子;

(2)构造大小为N的随机初始种群P0,在决策空间X内,随机生成N个解;

(3)计算各低层启发式算子在四个已有的性能评估指标上的性能值。每个低层启发式算子h1,h2…hnum(i=1,2…num)对同一初始种群P0分别独立运行一次,每次运行执行hi共M代,并分别计算各启发式算子hi的四个性能评估指标AE、RNI、SSC和UD;M为一次迭代中执行低层启发式算子的次数,M取(0,∞)范围内的整数;

1)AE:评估算法获得近似解集的计算量,其取值范围为(0,∞),AE值越小表示性能越好;

2)RNI:评估算法获得的近似解集中非支配解的比例,其取值范围为(0,1],RNI值越大表示近似解集中非支配解的比例越高;若RNI=1,则表明近似解集中的所有个体都是非支配的;

3)SSC:评估算法获得的近似解集所能覆盖的目标空间的大小,其取值范围为[0,∞);

SSC值越高表示似近解集的覆盖空间越大,也表明收敛性以及分布性上性能越好;

4)UD:评估近似解集在目标空间的分布情况,其取值范围为(0,1];在非支配解数量相同的情况下UD值越高表示近似解集在目标空间上的分布性越好;

(4)使用算子性能评估机制计算各低层启发式算子的回报值ri,各低层启发式算子评估机制包括如下步骤:

1)对各低层启发式算子获取的性能数据进行归一化处理,使得各性能评估指标映射到同一个取值范围[0,1]之内,低层启发式算子hi在四个性能评估指标上的归一后的值分别记为AEi_nor、RNIi_nor、SSCi_nor和UDi_nor;

2)根据归一化后得到的性能评估指标值,使用公式①计算各低层启发式算子的回报值ri:ri=(1-AEi_nor)+2RNIi_nor+SSCi_nor+UDi_nor     ①在公式①中:因为AEi_nor的值越小越好,而其他三个指标越大越好,因此在回报值ri的计算中使用了低层启发式算子hi的AEi_nor反转值,即1-AEi_nor的值;SSCi_nor可以反映出算法执行后获得的种群的分布性与收敛性,UDi_nor可以反映出算法执行后获得种群的分布性;在种群大小一致的情况下,SSCi_nor和UDi_nor的值越大越好;为了避免种群大小的变化对SSCi_nor和UDi_nor值的影响,因此在ri的计算中给SSCi_nor和UDi_nor分别搭配了一个非支配解的比例RNIi_nor;

(5)根据回报值ri,计算各低层启发式算子的MAB值,步骤如下:

1)对于有num个低层启发式算子的集合H={h1,h2…hnum},为每个hi(i∈{1…num})设置一个由三个变量构成的性能元组 其中ri是回报值、是平均回报值、ki为hi被选择的次数,在算法初始阶段,所有值初始化为0;

2)使用公式②更新hi的性能元组

3)根据低层启发式算子hi的性能元组Vi计算当前阶段低层启发式算子的MABi值,如下公式③:其中C为控制参数,控制各低层启发式算子hi的平均性能 与框架运行中算子执行的次数之间的一种平衡;

(6)选择MAB值最大的低层启发式算子htop,即top=argmax{MABi},i=1,2,...,num;若拥有最大MAB值的算法有多个,则从中随机选择一个;

(7)使用htop进化种群Pt,执行htop共M代,得到新种群P′,并计算应用低层启发式算子htop得到的种群P′在四个性能评估指标上的性能值;

(8)采用改进接受策略更新种群Pt+1,使用SSC判断执行htop后种群是否有改进,若无改进,则下一次迭代(t+1代)的种群Pt+1被第t代的种群替换,即Pt+1=Pt;若有改进,则第t+1代的种群Pt+1被刚获取的种群P′替换,即Pt+1=P′;

(9)判断迭代次数是否超过设定的最大值W,如果超过,HH-MAB算法结束;如果没有超过,进入下一轮迭代,返回(4);W为算法的最大迭代次数,取(0,∞)范围内的整数。