多目標進化算法及其應用研究.pdf

1、進化算法的出現(xiàn)為復雜優(yōu)化問題的求解提供了新的思路，由于它具有智能性、通用性、穩(wěn)健性、本質并行性和全局搜索能力，已在各個領域得到了廣泛的成功應用.本文從生物個體與環(huán)境、個體與個體之間的競爭與協(xié)作關系出發(fā)，首先針對無約束多目標優(yōu)化問題提出了相應的進化模型與算法，然后分析了已有多目標進化算法的收斂性，給出了衡量不同算法性能的定量性能指標；考慮到實際問題往往是帶有多約束的優(yōu)化問題，針對約束優(yōu)化問題提出了基于雙群體的差分進化算法，并將一種多目標進

2、化算法用于灰度圖像和彩色圖像的色調處理之中；最后，給出了一種用來搜尋多峰函數(shù)所有峰值點的有效算法及評價多峰函數(shù)優(yōu)化問題算法性能的度量方法.本文的主要工作概括如下： 1.基于生物個體與環(huán)境、個體與個體之間的競爭與協(xié)作關系出發(fā)，提出了兩種求解多目標優(yōu)化問題的進化算法：基于AER模型求解多目標優(yōu)化問題的智能微粒群算法和多目標協(xié)同微粒群優(yōu)化算法.在第一種算法中，基于智能體對環(huán)境的感知和反作用的能力，設計了相應的智能體進化算子以實現(xiàn)智能體

3、間的信息共享及維持群體的多樣性.在第二種算法中，著眼于個體與個體之間的競爭與協(xié)作關系，根據多目標優(yōu)化問題和微粒群算法自身的特點設計了協(xié)同進化算子以加快算法的收斂速度，同時利用不同群體之間的差異在一定程度上維持整個進化群體的多樣性，避免陷入局部最優(yōu).定性與定量比較結果均表明上述兩種算法都能夠找到一組范圍較廣、分布均勻且數(shù)量充足的Pareto最優(yōu)解. 2.對已有的多目標進化算法的收斂性及算法性能進行了分析與討論.由于對同一多目標優(yōu)化

4、問題，不同的多目標進化算法求出的結果可能會不相同，為了評價不同算法對同一問題的優(yōu)劣程度，給出了衡量不同算法性能的定量性能指標，克服了已有的算法性能度量方法存在的缺陷. 3.約束優(yōu)化問題是目前優(yōu)化算法研究的難點和熱點.基于雙群體搜索機制分別對約束多目標優(yōu)化問題和約束單目標優(yōu)化問題進行了研究.首先給出一種改進的差分進化算法，進而提出用于約束優(yōu)化問題的雙群體差分進化算法，所給算法允許部分性能較優(yōu)的不可行解被保存下來并參與新個體的生成，

5、從而共享不可行解的一些有用信息.最后，采用經典測試函數(shù)對算法的性能進行了測試，與目前公認的有效算法的比較結果表明所給算法是有效可行的. 4.灰度圖像和彩色圖像的色調處理可等價為一多目標優(yōu)化問題.由于K-mean算法具有收斂快的優(yōu)點但易陷入局部最優(yōu)，而差分進化算法可避免K-mean算法陷入局部最優(yōu).為此我們將二者相結合，構造了一種基于多目標進化技術的灰度圖像和彩色圖像的色調處理技術，同時在構造初始群體時充分利用已有的先驗知識，使算

6、法以較快的速度收斂于全局最優(yōu)解，標準圖像的測試結果表明算法是令人滿意的. 5.針對目前多峰函數(shù)優(yōu)化問題僅考慮全局峰值點的不足，基于克隆選擇機理給出了一種可搜索局部和全局峰值點的新穎算法.為了避免不同高度的峰值點被吞并及保持群體的多樣性，算法中設計了相應的克隆選擇算子，并對群體規(guī)模和聚類半徑采用了自適應調節(jié)機制.此外，根據峰值點個數(shù)是已知或未給的，分別給出了評價多峰函數(shù)優(yōu)化算法性能的度量方法，實驗結果驗證所給算法可定位絕大部分峰值