目标规划与遗传算法.ppt

目标规划与遗传算法 林志雄 一、多目标规划 多目标规划是在一组刚性约束条件下，以多个柔性条件为目标函数的一种规划问题。 为了能够同时达到多个目标的优化，往往是很难做到的。因为，目标函数是相互冲突的，一个目标的更优是要牺牲其他目标作为代价的。 有效解（非劣解、Pareto解） 在不牺牲其他目标函数的前提下，不能再改进任何一个目标函数值的可行解。 求解方法; 1、权重和方法：每个目标函数分配权重并将其组合成为一个目标函数 权重的选择原则：使每个目标在加权后的地位相当。比如：一个目标表示利润， 另一个目标表示效率，两者相差 因此，权重应取相当数量级。 2、妥协方法：是一种根据距离函数进行目标搜索行为的数学表达。 设 表示是第i个目标在不考虑其他目标时的最优值。 例 最小费用最大流 网络最大流中不涉及费用问题，在实际问题中，在网络中的各边的运输费用是各不相同的，在满足最大流的情况下，求出最小费用，就是最小费用最大流问题。 下图所示是最小费用最大流问题。每一条边上有两个数字，前者表示容量，后者表示单位费用。 设 是定义在网络图G的边集E上的一个实数函数，表示i-j运输量及最大量。 设 是定义在网络图G的边集E上的一个实数函数，表示i-j运输的运费。 满足： （1） ---每条边的流量不超过该边大弧容量。 二、目标规划 目标规划是多目标优化的一种妥协模型，其特点是，每一个目标都有一个理想目标值，目标规划的目的是极小化各目标函数与理想目标值的正、负偏差。 在目标之间，根据其重要性的不同，建立一个优先结构是非常必要的。即根据决策者的偏好对所有目标进行排序。 续例 最小费用最大流 在没有考虑费用的前提下,最大流显然是11.要完成最大流的费用的最小值是180. 现在的问题:如何用最小的费用,完成最大流(至少5以上)? 第一目标是费用S,理想值为180. 越大越好.极大化 （2）第二目标是流量，至少为5。 越大流越大，极大化。 （3）字典序的目标函数 三、遗传算法 遗传算法是一种通过模拟自然进化过程搜索最优解的方法，对多目标规划问题的求解很有效。 在优化问题中，如果目标函数是多峰的，或者搜索空间不规则，就要求所使用的算法必须具有高度的鲁棒性，以避免在局部最优解附近徘徊。遗传算法的优点恰好是全局搜索能力强。 遗传算法: 染色体通常是一串数据(或数组),用来作为优化问题的解的代码,其本身不一定是解. 1、随机产生一定数目的初始染色体，组成一个种群，种群中染色体的数目称为种群规模（pop_size); 2、用评价函数（eval)来评价每一个染色体的优劣（即适应度）; 3、遗传选择操作，根据适应度，从当前种群中选出优良的染色体，成为新一代染色体； 4、对这个新的种群进行交叉操作，然后进行变异操作。 5、重复进行选择、交叉、变异，经过一定次数的迭代处理以后，把最好的染色体作为优化问题的最优解。 例1 1、解的结构 种群pop_size=30; 变量个数N=3； 染色体CHROMOSOME[pop_size+1][N+1]; 2、解的可行性 static void initialization(void) { double x[N+1]; /* N is the number of variables*/ int i,j; for(i=1; i=POP_SIZE; i++){ mark: for(j=1; j=N; j++) x[j]=myu(0,10); if(constraint_check(x)==0) goto mark; for(j=1; j=N; j++) CHROMOSOME[i][j]=x[j]; }} * （2） ---中间点流入与流出平衡。 （3） ---发点总流出与收点总流入平衡。 其数学模型： -------由发点1到其它 点的流出量总和。 N表示收点. -------由发点1到其它 点的费用总和。 N表示收点. 数学模型: 解释: 为优化因子,表示各目标的相对重要性 为优先级j的第i个目标正、负偏差的权因子; 为目标I偏离目标值的正、负偏差； N维决策变量； 为目标约束，软性条件 系统约束，刚性条件 第i个目