一种基于信息熵的改进进化多目标优化方法

摘要

本发明提供一种基于信息熵的改进进化多目标优化方法，即基于信息熵的改进PESA算法（Comentropy-basedPESA,C-PESA），将信息熵度量指标引入到PESA算法中，利用信息熵指标在量化度量Pareto解集的分布特性，即均匀性、多样性和收敛性方面的突出表现，及时考量PESA算法进化后种群个体的进化程度。当种群进化到种群分布均匀多样之后，此时信息熵数值保持不变。依据这个特性，当求得的信息熵数值在一定范围内稳定不变时，说明PESA的优化效果已经达到，优化计算过程可以从这里停止。从而避免复杂进化过程，降低时间复杂度。

主权项

一种基于信息熵的改进进化多目标优化方法，其特征在于将信息熵指标融入一种进化多目标优化算法PESA算法框架，按照提出的算法步骤及实际操作方法度量进化过程中的信息熵数值，根据信息熵指标的变化情况，判断种群进化是否已经到达成熟阶段，及时结束PESA算法，简化算法的时间复杂度；所述的将信息熵指标融入PESA算法框架，是在现有PESA算法中添加如下步骤：首先，度量每一次返回的外部种群EP进化种群的信息熵数值；其次，与前一次迭代进化过程获得的信息熵指标进行对比；最后，根据信息熵指标的变化情况，判断PESA算法的进化种群是否从逐步发展乃至已经达到成熟阶段；所述的按照提出的算法步骤及实际操作方法度量进化过程中的信息熵数值，是依据以下算法步骤进行信息熵度量，首先，分割目标空间为合适大小的网格；其次，计算目标空间的影响函数；再次，计算目标空间的影响函数；最后，计算整个进化解集的熵值；所述的根据信息熵指标的变化情况，判断种群进化是否已经到达成熟阶段，是在种群的不同进化阶段，其信息熵指标不断变化，在进化计算中，非支配解点均匀分布于帕累托Pareto前端，即多目标问题的最优边界，随着种群逐步进化到达到成熟，进化解集逐渐覆盖了整个前端；在进化种群处于增长状态时，信息熵值在不断增长，分布情况在一定程度上显著提高；当信息熵达到饱和现象出现之前，进化种群接近所有可行域且非支配，并且沿着Pareto前端尽可能均匀地分布；最后，当进化种群达到成熟阶段时，也就是达到分布饱和性时，此时信息熵数值保持不变；依据这个特性，当求得的信息熵数值在一定范围内稳定不变时，说明种群进化已经达到种群分布均匀多样，PESA优化计算过程可以从这里停止；所述的简化算法的时间复杂度，是信息熵度量指标所需要的计算时间随着进化种群的增加只是缓慢增长，接近线性增加，且计算量增长不多，PESA算法的时间复杂度得到简化。