演化计算--论文.docVIP

用郭涛算法计算多目标优化问题 本文将用一个实际的例子讲述如何用郭涛算法计算多目标优化问题，在这里，先简单的介绍一下郭涛算法。 郭涛算法的思想十分简单，但是却是一种很好的演化算法，它对于求解有多个最有解（即有多个“山峰”供爬山的情况）以及求解多目标优化问题是一种十分有效的算法。下面给出算法的描述。 GT Algorithm: Begin P(0):=initialize(X1(0), X2(0), X3(0),…,Xn(0)); t:=0; //xi∈D evaluate f(D); XBest:=arg( f(Xi)); XWorst:=arg( f(Xi)); While |f(XBest)-f(XWorst)|≥εdo //多父体杂交 Select m points Xz’, X2’ ,Xm’ from p(t) randomly X’:=∑ajxj ; //其中使得∑aj＝1；－0.5≤aj≤1.5； If f(x’)f(XWorst) then XWorst:= x’; Evaluate XBest:=arg( f(Xi)); XWorst:=arg( f(Xi)); t:=t+1; end While; end; 在本算法中，可以作出两点改进的地方： 可以连续选择S个点，一次淘汰掉S个点，这样有利于提高效率。 m可以在|f(XBest)-f(XWorst)|≤ε and m3 时，每次减1，减少网的大小，以提高效率。 本文中举出的例子是一个简单的多目标优化问题，题目是这样的： min(f1(x),f2(x)),-1《x《3 , 0《x《2 其中 { 本例子采用Delphi 5实现通过，其程序界面如图一所示： 图一 其种群大小由用户控制，多目标优化采用给f1、f2加权的办法取总的函数的最小值，权值亦由用户来确定，运行结果由界面可以直接看出。 下面的图二、图三、图四、图五是几种权值和种群大小下的运行结果。 图二 图三 图四 图五 由以上运行结果可以看出，在种群数为20、30左右时，运行速度教快，为100左右时，稍微慢一点（不过也是较快的，基本感觉不出来）。在种群数较大，比如为100左右时，相当容易得到精确解，种群数小时，要得到精确解就相对难一点。 下面这个过程是给出郭涛算法中所给出的aj，本例子中只是利用了两个aj,所以本过程是相当简单的。程序段如下： procedure assigna(var a:array of real); //本过程通过随机函数给a数组赋值， //使得∑a[i]=1并且-0.5=a[i]=1.5 label ReAssign; begin ReAssign: a[0]:=(random(200) - 50)/100; a[1]:=1 - a[0]; if (a[1]1.5) or (a[1] -0.5) then goto ReAssign; end; 在下面的主体程序中，需要说明的是，本例子中，只是取出两个父体利用郭涛算法进行杂交，杂交所用系数即为上面的过程所求出的a[0]、a[1]。两个父体的选择上，一个采用已经求出的使总函数最好（即总函数值最小）的x值，即为XBEST，一个则在所有的样本中随机选取。由于郭涛算法本身教为简单，加上如上说明和程序段中的注释，下面的程序就不难理解了。 procedure TForm1. ComputeClick(Sender: TObject); var i,m,f1,f2,iBest,iWorst:integer; a:array[0..1] of real; p:array of real; s:string; x,x1,x2,f,fBest,fWorst,XBest,XWorst:real; label ReAssign; begin m:=StrToInt(Edit3.Text); SetLength(p,m); for i:=0 to m -1 do begin p[i]:=random(200)/100; end; f1:=StrToInt(Edit1.Text); f2:=StrToInt(Edit2.Text); //以下选出fWorst,fBest,XBest,XWorst; fBest:=f1*p[0]*p[0]+f2*(p[0]-2)*(p[0]-2); fWorst:=fBe