多目標(biāo)優(yōu)化演化算法.pdf

1、解決現(xiàn)實世界中的許多問題會遇到兩種類型的難度：1)多個相互沖突的目標(biāo)；2) 高維復(fù)雜的搜索空間。就第一點(diǎn)而言，與單目標(biāo)優(yōu)化不同的是多個相互競爭目標(biāo)的優(yōu)化結(jié)果是得到一組可行解，一般被稱作 Pareto 最優(yōu)解集。由于缺少喜好信息，在折中解中找不到一個解比另一個解更好。就第二點(diǎn)而言，若使用精確的方法解決多目標(biāo)優(yōu)化問題，搜索空間太大而且很復(fù)雜。因此，需要設(shè)計高效的優(yōu)化策略來解決這兩個問題。 演化計算來源于自然界進(jìn)化過程的靈感和進(jìn)化思想

2、的觀點(diǎn)。它的潛在并行性及自組織、自適應(yīng)、自學(xué)習(xí)的智能特性對于求解多目標(biāo)優(yōu)化問題具有巨大的潛力。演化算法所具有的幾個特征很適合解決這類問題，相對于經(jīng)典的優(yōu)化方法而言，演化算法更受歡迎。實際上，自從1985年以來，研究者們已經(jīng)提出了許多基于演化計算的多目標(biāo)優(yōu)化算法，這些算法能夠在一次獨(dú)立的運(yùn)行中同時搜索到多個Pareto 最優(yōu)解。而基于Pareto最優(yōu)概念的多目標(biāo)演化算法則是當(dāng)前演化計算的研究熱點(diǎn)。多目標(biāo)演化算法的研究目標(biāo)是使算法種群快速收

3、斂并均勻分布于問題的非劣最優(yōu)域。本文定義和使用密集度來保持群體中個體的均勻分布，將個體的Pareto強(qiáng)度值和密集度合并到個體的適應(yīng)值定義中。并提出攪動策略，以提高算法對解空間的遍歷性，從而較大程度上避免算法的早熟；對每次攪動得到的部分非劣解個體進(jìn)行鄰域搜索以加快非劣解前沿的進(jìn)化。最后通過對測試函數(shù)的實驗，驗證了算法的可行性和有效性。 很多現(xiàn)實中的搜索和優(yōu)化問題涉及到約束條件的處理，在分析了傳統(tǒng)的求解帶約束的單目標(biāo)優(yōu)化問題存在的問

4、題的基礎(chǔ)上，把單目標(biāo)優(yōu)化問題中的約束化為新增的目標(biāo)，把原問題化為一個多目標(biāo)優(yōu)化問題，然后利用演化多目標(biāo)優(yōu)化算法求解轉(zhuǎn)化后的問題。本文定義了個體約束強(qiáng)度指標(biāo)，提出一種新的多父體雜交算子，根據(jù)約束強(qiáng)度值設(shè)計出新的實數(shù)編碼遺傳算法。數(shù)值實驗證實了新方法的可行性、有效性和通用性，其性能優(yōu)于現(xiàn)有的一些演化算法。 大部分的多目標(biāo)優(yōu)化算法都是用來求解無約束的多目標(biāo)優(yōu)化問題，而處理約束問題的多目標(biāo)演化算法卻非常少，主要是由于約束條件將搜索空間分