智能优化算法-优化问题解读.pptVIP

基于群体且引入Pareto支配概念的方法 Goldberg在1989年最早提出基于Pareto支配的概念进行适应度评价的方法。采用这种排序方法的多目标进化算法有NPGA、NSGA、NSGA-Ⅱ。 思想：对当前群体中的所有Pareto非支配个体赋予相同的选择概率。首先找出群体中的所有非支配个体，定义这些个体的排序值为1，从群体中去除这些非支配个体；然后找出剩余群体中所有的非支配个体，定义这些个体的排序值为2，再去除这些非支配解。如此进行下去，直到处理完群体中的所有个体。 优点：不受可行决策空间的形状和连续性的影响。 缺点：当优化问题的维数较高(目标较多)时，这类排序方法将使得进化算法在有限规模的群体中产生大量的非支配解，这些非支配解之间缺乏确定的比较标准，难以从中进行选优操作，从而导致算法出现停滞现象或产生早熟收敛。 多目标优化问题-多样性维护 在求解多目标优化问题时，除了要求进化算法搜索到一组Pareto最优解，还要求在进化过程中维护群体的多样性，使得搜索到的解集具有较好的分布特性(如均匀分布)，且分布范围尽可能宽广； 虽然某些基于Pareto支配概念的适应度评价方法在一定程度上考虑了群体的密度信息，但由于它们为非支配解赋予了相同的适应度，当群体中大多数个体均互不支配时，它们对群体多样性的维护作用将失效； 多目标进化算法主要采取两类多样性维护策略：小生境法和密度估计法。 小生镜法 小生境技术的特点是形成并维持多个稳定的子群体，即小生境，让个体在这些特定的生存环境中进化。算法对相同个体或类似个体的数量加以限制，以便能够产生出种类较多的不同的最优解。 小生境法主要有三种：基于预选择的小生境法、基于排挤的小生境法和基于适应度共享的小生境法。其中基于适应度共享的小生境法最为常用。 采用这种多样性维护策略的多目标进化算法多为上世纪九十年代中晚期发展的算法，如NPGA、 NSGA、MOGA等。 * 智能优化算法——优化问题 实际问题 优化建模 优化求解 目录 优化问题 多目标优化 优化问题的基本要素 目标函数（目标解空间）：设为f 决策变量（变量空间）：设为x 约束条件（约束集）：限制了对决策变量的赋值，也限制了搜索空间的大小 优化问题分类 变量个数（变量空间的维数） 变量的类型：连续优化问题、离散优化问题、混合优化问题、组合优化问题 目标函数的非线性程度 约束条件： 最优解的个数：单模或多模 优化准则数目（目标函数个数）；单目标或多目标优化问题 目标函数的变化：静态或动态优化问题 最优化条件 定义 1：全局极小值：X*?S ，使得对?X ?S有 其中S?Rn为由约束条件限定的搜索空间。X* 为f(X)在S内的全局极小点，f(X*)为其全局极小值 定义 2：强局部极小值： ，使得对?X ?B 有 其中B?S?Rn 。 为f(X)在B内的强局部极小点， 为强局部极小值。 定义 3：弱局部极小值： ，使得对?X ?B 有 其中B?S?Rn 。 为f(X)在B内的弱局部极小点， 为弱局部极小值。 全局极小值 局部极小值 无约束优化问题 定义： 约束优化问题 定义： 目标函数 不可行空间 无约束全局最小值 可行空间最小值 可行空间 约束处理方法 约束类型： 界限约束 等式约束 不等式约束 约束处理方法 丢弃不可行解 惩罚函数方法：目标函数增加惩罚项 将约束问题转化为非约束问题：将约束引入到目标函数 Pareto排序：根据违反约束程度对解排序 修补法：将不可行解做某些操作变为可行解 约束优化问题实例-背包问题(1) 问题描述 背包问题（knapsack problem，KP）是一个关于从集合中选出一个子集的问题，而选出的子集必须满足背包的容量限制并使得总的价值最大。 通常描述为：给定m个物品，第i个物品的重量为ωi，价值为pi，背包容量为C，问应选择哪些物品放入背包内可使背包中物品总价值最大。 约束优化问题实例-背包问题(2) 优化模型 0－1背包问题数学模型 当xi=1时，表示第i个物品装入背包；当xi=0时，第i个物品不装入背包 背包问题的集合数学模型 X表示放入背包中的物品集合，它是由m个物品所组成的全集U的一个子集 动态优化问题 动态优化问题是为了研究现实世界中动态环境的变化对优化问题的影响而构造的。 定义： 求解方法 动态环境特征 可视性：变化发生的范围（全局或局