多目標優(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；2) 高維復雜的搜索空間。就第一點而言，與單目標優(yōu)化不同的是多個相互競爭目標的優(yōu)化結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。就第二點而言，若使用精確的方法解決多目標優(yōu)化問題，搜索空間太大而且很復雜。因此，需要設計高效的優(yōu)化策略來解決這兩個問題。 演化計算來源于自然界進化過程的靈感和進化思想

2、的觀點。它的潛在并行性及自組織、自適應、自學習的智能特性對于求解多目標優(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，研究者們已經提出了許多基于演化計算的多目標優(yōu)化算法，這些算法能夠在一次獨立的運行中同時搜索到多個Pareto 最優(yōu)解。而基于Pareto最優(yōu)概念的多目標演化算法則是當前演化計算的研究熱點。多目標演化算法的研究目標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強度值和密集度合并到個體的適應值定義中。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行鄰域搜索以加快非劣解前沿的進化。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優(yōu)化問題存在的問

4、題的基礎上，把單目標優(yōu)化問題中的約束化為新增的目標，把原問題化為一個多目標優(yōu)化問題，然后利用演化多目標優(yōu)化算法求解轉化后的問題。本文定義了個體約束強度指標，提出一種新的多父體雜交算子，根據約束強度值設計出新的實數(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。 大部分的多目標優(yōu)化算法都是用來求解無約束的多目標優(yōu)化問題，而處理約束問題的多目標演化算法卻非常少，主要是由于約束條件將搜索空間分