一种用于多目标优化的克隆选择算法.pdfVIP

第8卷 第2期 2008年1月 科 学 技 术 与 工 程 Vo1．8 No．2 Jan．2008 1671—1819(2008)2-0387—06 Science Technology and Engineering ⑥ 2008 Sci．Tech．Engng． 一 种用于多目标优化的克隆选择算法 李恒杰 郝晓弘 张 磊 (兰州理工大学电气工程与信息工程学院，兰州730050) 摘 要 多目标进化算法的研究目标是使算法种群快速收敛并均匀分布于问题的Pareto最优前沿面。为此，在比较与分析已 有多目标进化算法的基础上，借鉴免疫系统中的克隆选择原理，提出了一种用于多目标优化的克隆选择算法。该方法只对部 分当前所得到的Pareto最优解进行进化操作，并选用一种简单的多样性保护机制来保证Pareto最优解具有良好的分布特征。 实验结果表明该方法能够很好地达到Pareto最优前沿面，较好地保持解的多样性，并且具有很快的收敛速度。 关键词 多目标进化算法 克隆选择算法 多目标优化 Pareto最优解 中图法分类号 TP 183 文献标志码 A 一 般说来，科学研究与工程实践中许多优化问 行了综述 J。他们将进化多目标优化算法分为以下 题都是多目标优化问题。多目标优化问题中各目 三类：明确加权法、基于种群的非Pareto方法和基于 标之间通过决策变量相互制约，对其中一个目标优 Pareto的方法。基于Pareto的进化算法是一条求解 化必须以其它目标作为代价，而且各目标的单位又 多目标问题非劣最优解的有效途径。在基于Pareto 往往不一致，因此很难客观地评价多目标问题解的 的方法中，最具代表性的两类是非排序遗传算法NS— 优劣性 J。与单目标优化问题的本质区别在于，多 GA和基于浓度的Pareto进化算法SPEA。Zitzler和 目标优化问题的解不是唯一的，而是存在一个最优 Thiele于1999年提出了SPEA(strength Pareto evolu— 解集合，集合中元素称为Pareto最优或非支配解 tionary algorithm) j，SPEA的运行效率比较低，但由 (non—dominated solutions)E2j。所谓Pareto最优就是 于SPEA采用聚类方法维持解群体的分布性，所以其 不存在比其中至少一个目标好而其它目标不劣的 解集的分布性比NSGA好。Zitzler等于2001年又对 更好的解，也就是不可能通过优化其中部分目标而 SPEA进行了改进，提出了运行效率相对较高的 其它目标不至劣化。 SPEA2l5j。Sfinivas和Deb基于个体的多层次分类提 进化算法作为多目标优化问题的新求解方法，在 出了NSGA(non—dominated soaing genetic algorithm) 过去的2O年中受到了相当程度的关注，这就诞生了 J 。 NSGA通过计算个体之间的聚集距离来保持群 多目标进化算法。Fonseca和Fleming对这一主题进 体的分布性，运行效率比SPEA高，但分布性差一些。 最近，Deb与Pratap等通过引进快速非劣性排序和 2007年9月27日收到 甘肃省科技攻关(GS044·A52-001-24)、 新的多样性保护方法，提出了第二代NSGA，简称 甘肃省自然科学基金项目