基于密度和记忆的动态多目标优化算法北大核心

无人驾驶技术飞速发展,可靠的避障及合理的路径规划是保障其安全性和实用性的根本要求。在驾驶过程中,环境因素复杂且迅速变化,对控制算法的运算速度和精度有较高的要求,已有的动态多目标优化算法在种群初始化和优化速度方面仍需提高。针对该问题提出了一种基于密度和记忆的NSGA2算法(Density and memory based NSGA2 algorithm, NSGA2-DM)。NSGA2-DM存储有用的信息来指导之后的种群初始化;在种群再生阶段,NSGA2-DM使用目标空间中解的密度来评估每个非支配解的稀疏度,将稀疏度最小的非支配解定义为稀疏解,在每个遗传过程中都在稀疏解附近进行局部搜索;NSGA2-DM同时采用极限优化局部搜索策略和随机搜索策略,提高了解的质量和收敛速度。通过FDA和dMOP系列基准测试函数对NSGA2-DM算法进行验证,并将结果与其它先进的种群初始化方法进行对比。结果表明:NSGA2-DM算法可以根据环境变化快速跟踪变化的帕累托前沿,提高求解速度。所提出的局部搜索策略结果优于所对比局部搜索方法。