改進(jìn)遺傳算法在多目標(biāo)問題上的應(yīng)用研究.pdf

1、遺傳算法通過模擬生物自適應(yīng)選擇過程和自適應(yīng)進(jìn)化過程，通過不斷迭代逼近最優(yōu)解，可以將其用于求解高度復(fù)雜的非線性最優(yōu)值問題。在對復(fù)雜的單目標(biāo)問題進(jìn)行求解時，遺傳算法表現(xiàn)出了良好的優(yōu)化性能。然而，現(xiàn)實中的優(yōu)化問題總是具有多個目標(biāo)的。這些被優(yōu)化的目標(biāo)之間并不能同時達(dá)到最優(yōu)，而是相互沖突，相互抑制。為了達(dá)到各個目標(biāo)的均衡最優(yōu)化，通常需要增大某一目標(biāo)的值以降低其他目標(biāo)的值。多目標(biāo)遺傳算法在優(yōu)化多目標(biāo)問題時具有良好的效果，這些典型的多目標(biāo)遺傳算法包括

2、向量評估遺傳算法，小生境pareto遺傳算法，非劣分類遺傳算法和pareto存檔進(jìn)化策略等。
　　本文在簡單遺傳算法的理論基礎(chǔ)上，設(shè)計了兩類改進(jìn)的遺傳算法用于多目標(biāo)問題求解，主要工作及研究成果如下：
　　(1)設(shè)計了一種引入外部非劣檔案的多目標(biāo)遺傳算法。簡單多目標(biāo)遺傳算法在優(yōu)化多目標(biāo)問題時，優(yōu)化過程會陷入局部最優(yōu)，不能求出全局范圍內(nèi)的其他最優(yōu)解。本算法先通過權(quán)值分配，求出多目標(biāo)優(yōu)化問題凸部分的全局最優(yōu)解，將這些全局最優(yōu)解作為

3、初始種群的一部分，隨其他隨機(jī)個體一同進(jìn)行遺傳過程的選擇、交叉、變異。在不斷的迭代過程中，優(yōu)秀的隨機(jī)個體會搜索到非凸部分的最優(yōu)個體，最優(yōu)非劣個體會淘汰體質(zhì)較弱的隨機(jī)個體。針對函數(shù)ZDT1，ZDT2，ZDT3，ZDT4，ZDT6進(jìn)行測試，實驗結(jié)果表明，改進(jìn)后的算法，相較于NMOGA[1]算法，在解集的覆蓋度和均勻度上更有優(yōu)勢。
　　(2)設(shè)計了一種基于信息熵的多目標(biāo)遺傳算法。該算法在傳統(tǒng)的NSGA-2算法的基礎(chǔ)上加以改進(jìn)，在遺傳操作開