基于混沌局部搜索的多目標(biāo)遺傳算法研究.pdf

1、多目標(biāo)優(yōu)化問題大量的存在于現(xiàn)實(shí)生活中，并且也是工程領(lǐng)域和科學(xué)領(lǐng)域研究的熱點(diǎn)。多目標(biāo)優(yōu)化問題由于考慮的優(yōu)化目標(biāo)不是單一的，與一個目標(biāo)函數(shù)的優(yōu)化具有很多不同的地方。在多目標(biāo)優(yōu)化中有可能優(yōu)化目標(biāo)一致，也可能優(yōu)化目標(biāo)相互沖突。對多目標(biāo)優(yōu)化問題的求解，有很多傳統(tǒng)的常規(guī)多目標(biāo)優(yōu)化方法如目標(biāo)加權(quán)法、層次優(yōu)先法、目標(biāo)規(guī)劃法、約束法、最大-最小法等。這些算法雖然取得了一定程度上的成功應(yīng)用，但是這些算法存在很多缺陷，不適合大規(guī)模的多目標(biāo)優(yōu)化問題的求解。

2、r>　　 遺傳算法作為一種智能算法，起源于20世紀(jì)60年代，隨后在眾多學(xué)者的研究下取得了快速的發(fā)展。遺傳算法作為一種概率算法，具有很多特點(diǎn)，如并行性、通用性、全局優(yōu)化性、穩(wěn)健性和簡單性。這些特點(diǎn)使遺傳算法在解決多目標(biāo)優(yōu)化問題上比傳統(tǒng)方法有很多優(yōu)勢。遺傳算法是模擬生物的遺傳，變異，適者生存的進(jìn)化模型，通過個體的選擇，交叉和變異，不斷進(jìn)化，最后得到最優(yōu)的個體。多目標(biāo)的遺傳算法得到了大量的研究和應(yīng)用，取得了較多的成果。針對遺傳算法的缺陷，很

3、多改進(jìn)方法仍在不斷提出，這些研究促進(jìn)了遺傳算法的發(fā)展。
　　 混沌是一種存在于非線性系統(tǒng)中的較為普遍的現(xiàn)象?；煦缇哂泻芏嗵匦裕绶侵芷谛?，隨機(jī)性，遍歷性，對初值的敏感性，分形性等特點(diǎn)。這些特點(diǎn)使混沌可以用于函數(shù)優(yōu)化領(lǐng)域。而混沌優(yōu)化算法的研究也是混沌學(xué)研究的一個重要分支和混沌學(xué)應(yīng)用一個重要課題?；煦鐑?yōu)化算法目前也得到了廣泛研究和應(yīng)用，取得了不少成果?；煦鐑?yōu)化算法的研究和應(yīng)用也將推動和促進(jìn)混沌學(xué)的研究和發(fā)展。
　　 本文研究

4、了遺傳算法和混沌優(yōu)化算法各自的優(yōu)缺點(diǎn)，并研究了混合型遺傳算法的框架和遺傳算法與混沌優(yōu)化算法的融合方式。利用遺傳算法具有全局優(yōu)化性的特點(diǎn)和混沌優(yōu)化算法很強(qiáng)的局部搜索能力特點(diǎn)，提出了一種將遺傳算法和混沌優(yōu)化算法結(jié)合的多目標(biāo)混沌遺傳算法（MOGA-CLS）。MOGA-CLS算法的主要思想是在按支配關(guān)系形成的第1、2層Pareto解上加入混沌局部搜索獲得更優(yōu)解；并采用基于聚集度的聚類方法保持種群和Pareto解集的多樣性和分布性。文章對MOGA