最优化方法课程作业.docVIP

基于NSGA-II的多目标优化 多目标优化问题 优化是在等式和(或)不等式约束的条件下，求解具有多个变量的目标函数最小化或最大化的问题。当要优化的目标函数只有一个时，就叫单目标优化；当优化的目标函数有两个以上(包括两个)且它们都要同时达到最优，这就叫多目标优化。在现实生活中，多目标优化问题比较普遍，并且有着非常重要的地位，在控制理论、工程建设、城市规划、资源分配等等许多领域都需要多目标优化技术，这些实际问题普遍非常复杂、困难，因此研究多目标优化是具有非常重要的现实意义的。 与单目标优化相比，多目标优化的复杂程度大大增加了，它需要同时优化多个目标。这些目标往往是不可比较，甚至是相互冲突的，一个目标的改善有可能引起另一个目标性能的降低。与单目标优化的本质区别在于，多目标优化问题的解并不是唯一的，而是存在一个最优解集，集合中的元素???为Pareto最优解或非劣解或非支配解(Non-dominated set)。Pareto最优集中的不同解就所有目标而言彼此之间是不可比较的，也就是指不可能在保证某目标不至劣化的情况下进一步优化其它目标。一般情况下，多目标优化问题在求解出Pareto最优集后，需要根据Pareto前沿的分布情况进行多目标决策。 多目标优化算法 2.1传统的多目标优化算法 传统的多目标优化方法是将需要优化的各个子目标用一个权重系数聚合成一个单目标的函数，然后用单目标优化的方法求解，其中，权重系数需要由决策者来决定或者通过优化方法来自适应调整。常见的方法有：加权法、约束法、极大极小法、目标规划法等。在满足一定的条件下，求解得到的单目标优化问题的最优解“即是”原多目标优化问题的Pareto最优解。一些研究者为了获取近似的Pareto最优集，采取选用不同的权重系数的方法，来实施动态优化。以下简单介绍下加权法和约束法。 (1)加权法：该方法为每个目标函数分配权重，通过对目标函数的线性组合将多目标优化问题转换成单目标问题，加权法可表示为： （2-1） 式中为权值，通常可以将权值正则化后使得。 约束法：主要思想是随机选取一个目标作为单目标优化问题的目标函数，其余的目标转换成约束条件。经约束法转化后的单目标优化问题为： (2-2) 其中，M为目标函数个数；在优化过程中可选取不同的值，相对应的就可以找到多个不同的Pareto最优解。 虽然传统的多目标优化方法简单易行，但是它们不可利用Pareto最优概念对解进行评估，有如下三个缺点： (1)需要较多的先验知识来选取恰当的参数，而且对参数的设定要求较高，参数选取的好坏对结果影响很大。 (2)一般情况下，算法运行一次只能得到一个最优解，为了能够得到一组理想的最优解集，需要多次对参数进行调整，然后再运行算法，并将结果进行比较，整个过程费力费时。 (3)算法的使用有局限性，通用性不好。 2.2 多目标智能优化算法 进化算法(evolutionary algorithm)是一种模拟生物界自然进化与选择的随机搜索算法，因其在求解高度复杂的非线性问题有着独特的优势，从而该类算法有着非常广泛的应用。在解决复杂的单目标优化问题时，进化算法已充分展现出了它的优势。但是，科学研究和工程实际中的优化问题大多数情况下都不止具有一个优化目标，而是有着多个目标，也就是需要解决多目标优化问题。如在乙苯催化脱氢反应中，提高反应温度可以提高乙苯的转化率，但同时会导致主产物苯乙烯的选择性降低，使副产物产量增加，而这是工业生产中需要避免的。在考虑多目标问题的最优时，必须把每个目标的性能指标综合起来进行评价，因此如何判断哪一种方案更优一直是一个难题。为了达到总目标的最优化，通常需要对相互冲突的子目标进行综合考虑，即对各个子目标进行折衷。由此，出现了多目标进化算法用以解决多目标优化问题。 遗传算法是一种模拟生物界自然选择、遗传机制的搜索算法，它具有随机、高度并行、自适应等特点。在基本的遗传算法的基础上，出现了多目标遗传算法，它可以在多个目标之间进行比较、权衡。目前，多目标遗传算法已经应用到众多的领域之中，为促进生产力的发展和科技的进步做出了卓越的贡献。 2.2.1 遗传算法 遗传算法的基本思想来源于达尔文的进化论和孟德尔的遗传学说。它根据“适者生存，优胜劣汰”等自然进化规则来搜索和求解问题。通过优胜劣汰的自然选择，适应度高的基因被保存下来。对于很多用传统的数学方法难以求解的问题，特别是多目标的优化问题，遗传算法提供了一种新的解决问题的方法。 遗传算法将问题的解表示为染色体，将这一群染色体置于问题的环境中，根据“适者生存、优胜劣汰”的原则，从一群染色体中选出适应环境的染色体进行复