摘要
多目标优化算法在实际问题中应用广泛，并且由于计算性能良好而受到众多研究者的青睐。其中，基于分解的多目标优化算法性能优异，但对于有复杂Pareto前沿的问题，算法缺失对精英解的选择压力。此外，随着目标函数和变量个数的增加，最优解集的数量也不断增多，使得逼近Pareto前沿解的数量以指数规模增长，减弱了算法搜索全局最优解的能力。鉴于此，本文分别提出基于权重向量和邻域自适应调节，以及基于领域知识引导的分解多目标遗传算法，最后，将所提方法应用到复杂网络社区检测问题。 针对传统分解多目标遗传算法的不足，本文设计了权重向量和邻域自适应调节机制。首先，从子问题的权重向量确定上，提出了一个新型均匀向量生成方法，从而提高了多目标算法的解集均匀性。此外，给出了一种自适应机制的邻域调节方法，由开始的全局搜索进化逐渐转为局部搜索进化，还根据子问题的权重向量在超平面上的位置，具体分析调节邻域范围。将所提算法应用到多个基准优化问题上，实验表明该算法与目前流行的基于分解的多目标遗传算法相比表现优异。 针对大规模超多目标优化问题，本文提出了一种基于领域知识引导的降维遗传算法。首先，提出一种基于相关性的目标函数降维方法，对相关性高的目标函数进行聚类。在此基础上，设计了一种领域知识引导的遗传算法来求解降维后的优化问题。算法为了得到高质量的解集，还给出了一种基于决策空间镜像划分的种群初始化方法，同时，算法利用获得的领域知识不断补充新的优秀个体。本文进行了大量的对比实验，实验结果表明所提算法能够更加有效地解决大规模超多目标优化问题。 最后，利用本文所提算法解决复杂网络的社区检测问题。本文提出一种融合社区检测领域知识的改进遗传算法。算法框架采用基于分解的多目标遗传算法，局部搜索采用模拟退火算法，除此之外，结合复杂网络的社区检测问题特性，具体分析提出节点归属度函数作为优化算法的目标函数，利用基于节点归属度的标签传播算法进行编码初始化，并改进个体混合交叉和替换邻居标签的变异策略。实验结果显示本文所提算法在一系列人工合成与真实网络上都有着优异的性能。 本文针对现有分解多目标优化算法的不足，提出了权重和邻域自适应调节的分解多目标遗传算法，以及领域知识引导的大规模超多目标遗传算法，极大提高了算法的效率和精度，此外利用本文所提算法解决了复杂网络社区检测问题，体现出算法重要的实际应用意义。
NETL