多目标优化的微分进化算法.PDFVIP

第 16卷 　第 2期 长 　春 　大 　学 　学 　报 Vol16　No2 　2006年 4 月 JOURNAL OF CHAN GCHUN UN IV ER SITY Ap r 2006　 文章编号 : 1009 - 3907 (2006) 02 - 0077 - 04 多目标优化的微分进化算法 于铁民 , 鄢东姝 (吉林建筑工程学院 教务处 , 吉林 长春 　13002 1) 摘 　要 : 将微分进化算法的应用范围从求解无约束单 目标优化推广到求解一般情形的多 目标优 化 。与传统优化算法及一般的进化算法相比, 该算法特点在于直接将约束条件以及多目标性结合 到进化算子中。算例表明 , 该算法是有效的。 关键词 : 多目标优化 ; 约束处理 ; 进化算法 ; 微分进化算法 中图分类号 : O22 16　　　文献标识码 : A 0　引　言 运筹学是数学的一个重要分支 , 而最优化是运筹学的核心 。传统的优化算法只能处理相对简单的问 题 , 通常要求 目标函数和约束函数具有可微 、凸、单峰等优良性质 。然而 , 实际应用中遇到的问题往往要 ( ) 复杂得多 , 很多情况下需要求解非凸、非光滑 不可微 、多峰 、多目标的问题 。随机优化方法对这类问 题显示出特有的优越性 。 ( ) 进化算法是上世纪 70年代初发展起来的一大类仿生随机算法 , 主要包括遗传算法 genetic algorithm 、 ( ) ( ) ( ) 进化规划 evo lu tionary p rogramm ing 、进化策略 evo lu tion strategy 、遗传程序设计 genetic p rogramm ing [ 1 ] ( 等 。1995年 R ainer Storn和 Kenneth Price提出了一种更简单 、更有效的微分进化算法 differen tial evo lu tion,简称 D E ) , 可以说是进化算法产生以来在算法方面取得的巨大进展 。由于该算法同样应用了自然进化 法则 “优胜劣汰 、适者生存 ”的思想 , 所以应当归属于进化算法 。对于连续变量的函数优化 , D E 能更 快 、更稳定地收敛到问题的全局最优解 [ 2 ] 。 ( ) 然而 , 标准的微分进化算法 D E 并不适合用来求解多 目标优化问题 , 有两方面原因。首要问题是个 体评价问题 。换句话说 , 就是任意拿出两个个体 , 如何确定哪个个体更好 。对无约束单 目标优化问题而 言 , 当然是个体对应的函数值越小越好 。但对一般的多目标优化问题 , 情况就不那么简单了。另一个问题