多目标优化翻译教材.docx

多目标优化在海军舰船设计中的应用 Alan Brown博士和 Juan Salcedo 摘要 本文主要展示了一种包括三个重要要素的海军舰船概念设计的系统性优化算法。这三个要素分别为： 1.非支配设计空间的高效搜索； 2.客观特征值的明确定义和量化指标； 3.用一个有效的方式来描述设计空间并向客户展示非支配设计概念的合理选项。 多目标遗传优化算法（MOGO）用于搜索设计参数空间，并确定基于生命周期成本和任务效率的非支配设计概念。 引言 本文介绍了多目标遗传优化算法在舰船设计中的应用。战斗系统中各种变量的选择，发动机的选择，船型参数，曼宁系数，续航力和机动性。要考虑的关键目标指标是任务效率和成本。每一次设计中都要进行计算这些指标。风险预估也需要类似的处理，而且风险预估在以后的工作中也要加强注意。 有效性，成本和风险是不同的指标，并且需要不同的度量标准。它们不可能合理地被组合成一个单一的目标指标。它们应以一种权衡和决策的管理形式单独考虑。他们是比较抽象的指标，有时很难做定量描述。舰船概念设计的有效性可以通过战事游戏和其他复杂的模型进行分析，但当在设计空间的结构化搜索中评估多种概念设计时，这种方法是不实际的，。本文提出了一种计算总体有效性测量指标（OMOE）的方法，根据专家意见综合各种输入指标：如国防指导，任务要求，威胁，战争游戏结果和经验。 图1 双目标指标域 对于一个给定的问题和约束条件，非支配解是一个可行解，这个解在单目标指标中比其他解要好，或者说至少和其它解一样好。图1描述了双目标（成本-效益）问题的概念图。在这个假想例子中，成本尽可能取小和效益尽可能取大。加粗的曲线表示非支配解或帕累托最优前沿。最优解总是这些非支配解中的一个。其选择取决于决策者对成本和效益的倾向。这种倾向可能受前沿的形状影响，并且不可能合理地确定先验。 图2 优化过程 在图2所示多目标优化过程的应用实例。初始的设计数量是由设计空间内的设计变量随机选取所得的。在本文中所描述的应用，用一个染色体或带有26个设计参数的设计矢量来代表每个设计。由这些染色体定义的船舶要达到平衡，并使用一个船舶综合模型进行评估。这样每个设计方案就会得到一个成本值和一个OMOE值。然后，设计方案会分类到支配层。每一层包含的设计方案支配后续层。各层的设计被选择的概率几何递减。去掉不可行的设计方案。在计算完选择概率后，再进行下一代的选择。一旦一个幸存的基因被选择，设计参数（基因）的交叉配对就随机确定了，并对选定的设计染色体的一小部分基因进行随机突变。这些遗传操作产生新的设计，一般而言，会是更好的设计。这些操作完成后，将新的基因设计输入到船舶综合模型中循环计算直至收敛。每个周期产生新一代。这个过程的最后一代收敛得到一个非支配解或帕累托前沿。 目标指标 总体有效性测量（OMOE） 在舰船设计过程的早期，设计师和工程师需要一个模型来量化经营者和决策者对任务效率的定义，并定义船舶和船舶系统性能的有效性测量（MOPs）的功能关系。这种有效性的量化评估是结构化优化过程的基础。 在确定舰船总体任务有效性时，要有完整的许多完整的输入：1）国防政策和目标；2）威胁；3）现有的力量结构；4）任务的需要；5）任务的情况；6）模型或仿真或战争游戏结果；7）专家意见。理想情况下，在一个大师级别的战争游戏模型中包含所有有关此问题的信息，来预测在一系列概率情况下产生的有效措施。回归分析可用于定义分析船舶系统性能输入和有效输出之间的数学关系。模拟的精度取决于模型中复杂的人力和物理系统细致的相互作用、广泛的定量响应、定性变量和船舶系统性能措施相关要求。统计上，每一组离散的输入变量必须为全模拟的显著数据，这样的输入和响应才满足概率分布。这种广泛的建模能力还未应用于实际。 另一种替代建模与仿真的方法是直接使用专家的意见来整合这些不同的输入，并评估在总体有效性测量实施中船舶系统性能措施的价值或实用性。这可以被构造为一个多特征值决策问题。支配构建这些问题的两种方法的文献有：多特征值效用理论（Keeney和Raiffa 1976）和层次分析法（Saaty 1996）。在过去，这些理论的支持者一直互相批评，但最近一直在努力确定它们的相似性，并将两种理论的精华融合应用在多特征值价值理论（MAVT）功能（Belton 1986）中。这种方法是适应于推导总体有效性测量的。 层次分析法（AHP）是一个由Saaty（1996）提出的用于求解多特征值决策问题的工具。它采用层次结构抽象化，分解，组织和控制涉及多特征值决策的复杂性，运用明智的判断或专家意见来衡量这些特征值的相对值或贡献，综合得到一个解决方案。成对比较方法和特征值法用于提取和量化这些相对值。在值的量化过程中，该方法允许测量的不一致性，并需考虑定量和定性特征值。 一个层次是一个简化的抽象系