惩罚函数法在遗传算法处理约束问题中应用.pdfVIP

第 24 卷　第 2 期 武　汉　理　工　大　学　学　报 V o l. 24　N o. 2 2002 年 2 月 JO URNAL O F W UHAN UN IVERSITY O F TECHNOLO GY 　F eb. 2002 ( ) 文章编号: 167 1443 1 2002 惩罚函数法在遗传算法处理约束问题中的应用 张　晶　翟鹏程 张本源 (武汉理工大学) 　 (湖北重型机器集团有限公司) 　 摘　要: 　主要研究惩罚函数法在遗传算法中的应用。将传统优化方法中的惩罚函数法与遗传算法相结合, 研究了三种 不同的惩罚函数法在遗传算法中的实现和应用, 编制了计算程序。通过对连续变量无约束优化、连续变量约束优化和离 散变量约束优化等典型优化问题的计算分析, 将三种惩罚函数方法进行了比较, 指出了它们的特点及选用原则。同时, 对 遗传算法中各种算子的不同形式也进行了研究和比较, 得出了一些有意义的结论。 关键词: 　遗传算法; 　惩罚函数; 　约束优化 中图分类号: 　 12 文献标识码: 　 TB A 遗传算法 GA s[ 1 ] (Gen et ic A lgo r ithm s) 是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法, 已 [2 ] 成功地应用于函数优化、机器学习及复杂性问题研究等多种问题和领域中 。现实生活中的大多数问题都是 约束问题, 因此将遗传算法应用到约束优化问题中十分重要, 这其中的关键就是约束的处理问题。 通常处理约束优化问题主要有丢弃法、修理法、修改遗传算子法和惩罚函数法四种方法。 在理论分析的基础上, 编制了带惩罚函数的遗传算法程序, 对三种典型的优化问题进行了计算分析, 在 惩罚函数、遗传算子的选择及相关控制参数的确定方面进行了分析和探讨, 得出了一些有指导意义的结论。 1　惩罚函数法的基本思想与应用 1. 1　在遗传算法和传统优化中使用的惩罚函数法的不同 在传统优化的惩罚函数法中, 优化过程从一点搜索到另一点, 根据约束特性构造惩罚项, 将惩罚项加到 目标函数中, 使非线性规划问题转化为一系列的无约束极值子问题, 它们的极值是初问题的一个最优解。 遗传算法中惩罚函数法的基本思想是从传统优化中借鉴来的。遗传算法从包含有大量个体的初始种群 开始搜索最优解, 通过选择算子把具有较好适应值的个体选择出来, 然后进行交叉、变异, 扩大搜索空间, 形 成下一代种群。对于约束优化问题, 遗传算法中惩罚函数法是对于任一违反了的约束, 把一个惩罚项加到进 化函数中, 使违反约束的个体的适应值降低, 再通过选择算子, 生成下一代种群, 从而在群体中保持一定数量 的非可行解, 使遗传算法从可行域和不可行域两个方向进行搜索, 找到全局最优解。采用惩罚函数法的关键 是确定合适的惩罚函数。 1. 2　惩罚函数法在遗传算法中的应用 1. 2. 1　进化函数的构造 构造带有惩罚项的进化函数一般有加法和乘法两种方式。 1. 2. 2. 惩罚函数项的构造 下面是三种惩罚函数构造方法: 方法 : Jo in e s an d H ou ck M etho d 求最小化的非线性规划问题, 采用加法形式构造进化函数, 惩罚项由变量惩罚因子和对违反约束的惩罚 收稿 日期: 200 10614. ( ) ( ) 作者简介: 张　晶 1976 , 女, 硕士; 武汉, 武汉理工大学工程结构与力学系 430070 . 第 24 卷　第 2 期　　　　　　　　 　张　晶等: 惩罚函数法在遗传算法处理约束问题中的应用　 　　　　　　　　 57 构成。 方法 : Yoko ta , Gen , Ida , an d T agu ch iM etho d 函数根据违