基于模擬退火與遺傳算法融合的多目標(biāo)優(yōu)化方法研究.pdf

1、遺傳算法是一種模擬生物自然選擇與自然進(jìn)化，通過個體的選擇、交叉和變異，不斷進(jìn)化，最終得到最優(yōu)解的隨機(jī)搜索算法。相比傳統(tǒng)優(yōu)化方法，遺傳算法有很多優(yōu)勢，如智能性、并行性、通用性、全局優(yōu)化性、不需要先驗(yàn)信息等，缺點(diǎn)是局部搜索能力不足，易早熟收斂；模擬退火算法是一種模擬金屬退火機(jī)理而建立的隨機(jī)優(yōu)化方法，它是源于對固體退火過程的直接簡單模擬而建立的一種隨機(jī)搜索技術(shù)。模擬退火算法有較強(qiáng)的局部搜索能力，能有效的跳出局部最優(yōu)，但把握整體搜索能力不強(qiáng)，不

2、便于使搜索過程進(jìn)入最有希望的搜索區(qū)域。
　　 本人深入的研究了遺傳算法和模擬退火算法的實(shí)現(xiàn)機(jī)理、融合方式，在此基礎(chǔ)上提出了一種將遺傳算法與模擬退火算法融合的方法，在遺傳算法中引入了一種模擬退火算子。在求解多目標(biāo)優(yōu)化問題時(shí)，對于算法運(yùn)行時(shí)產(chǎn)生的每一代種群，首先使用執(zhí)行遺傳操作，由于模擬退火本身就包含遺傳算法中變異算子的功能，因此算法刪掉冗余的變異算子，只執(zhí)行交叉算子；然后對于種群中的每個個體分別進(jìn)行模擬退火操作，采用Pareto排

3、序思想對比模擬退火操作產(chǎn)生的新個體和舊個體之間的優(yōu)劣：若其新個體優(yōu)于舊個體，則用新個體替換掉種群中的舊個體，更新種群；若新個體劣于舊個體，則概率性替換舊個體，概率性更新種群；若新個體與舊個體相互獨(dú)立，則將其作為子代個體。最后，將模擬退火算子更新后的種群、產(chǎn)生的子代，交叉算子產(chǎn)生的子代合并，非支配排序、計(jì)算聚集距離，據(jù)此選取其中一定數(shù)量的個體作為下一代種群。如此反復(fù)，直到算法終止。
　　 文章在最后使用三個不同類型的多目標(biāo)函數(shù)優(yōu)化