多目标优化算法研究及其在推荐系统的应用.pdf

多目标优化算法研究及其在推荐系统的应用 摘 要 在现实生活中，一些工程应用中通常会存在相互冲突的目标，决策者需要通过寻找 最优值来解决问题。上述优化问题普遍存在于金融投资、生产制造和工程设计等领域。 经过大量的学术研究，为了平衡问题中相互冲突的目标，需要建立多目标模型进行优化， 使整体效果获得最优。由此，我们可以得出多目标问题的概念：若问题中存在多个需要 同时优化的目标，并且目标之间相互制约，便称之为多目标优化问题（Multiobjective Optimization Problem ，MOP ）。由于目标之间的冲突性，多目标优化问题中通常不存在 唯一的最优解，在经过算法优化后最终会得到一组最优解，即帕累托最优解集，其在目 标空间中对应的目标值称为帕累托最优前沿。帕累托最优前沿的输出可以帮助决策者基 于自身偏好做出最终选择。 本文基于经典多目标优化算法框架进行研究和分析，在原始算法的基础上挖掘了可 提升的空间，例如收敛性和多样性之间的平衡、处理复杂问题时的缺陷等。本文在算子 方面提出了新的选择策略，以此满足复杂问题对算法性能的要求，此外，针对推荐系统 应用的特点，本文通过优化改进多目标算法的性能，实现了多目标优化算法与推荐系统 应用的有效结合。具体研究工作包括以下两方面： 首先，本文提出了一种基于帕累托辅助自适应重组算子的多目标算法。该算法的核 心思想是通过帕累托支配关系进行混合算子池的选择，两个算子池分别侧重收敛性和多 样性，其中每个算子池包含两种特性的差分进化算子，算法采用适应值提升率的策略对 算子进行评价和选择。最终，通过组合不同特性的算子，实现了算子之间的优势互补， 综合提升了算法求解优化问题的能力。 其次，本文提出了基于最优值点引导的多目标个性化推荐算法，该算法综合考虑了 推荐系统的精确度、覆盖面和新颖度三个目标，并在多目标优化算法的框架基础上，通 过目标最优值点引导进化的方式，使算法快速收敛到最优端面，提升了算法的进化效率。 此外，通过优化算子的交叉方式，在高相似度的用户之间进行信息交互，最终实现了推 荐系统评价指标的综合提升。 关键词：多目标优化；帕累托辅助；重组算子；最优值引导；推荐系统 I Research on Multiobjective Optimization Algorithm and Its Application in Recommendation System Abstract In real life, conflicting objectives usually exist in some engineering applications. Decision makers need to find the optimal value to solve problems. The optimization problems above generally exist in the fields of financial investment, manufacturing and engineering design. Based on some academic research results, in order to balance the conflicting objectives in the problem, it is necessary to establish a multi-objective model to optimize the overall effect. Thus, the concept of multi-objective optimization problem is derived: if there are multiple objectives that need to be optimized at the same time, and the objectives are mutually conflicting, it is called multi-objective optimization problem (MOP). Because of the conflict between objectiv