NSGA-II 中文翻译.pdfVIP

一个快速和精英机制的多目标遗传算法 Kalyanmoy Deb, Associate Member, IEEE, Amrit Pratap, Sameer Agarwal, T. Meyarivan 摘要:应用非支配排序的多目标进化算法被广为评判，主 实Pareto 最优解集合的性能来看，我们能够发现NSGA-II 优 要是因为：1） 3 计算复杂度（其中M 代表目标个数， 于同时期的其他两个多目标优化算法MOEAs ：Pareto 归档进 O(MN ) N 代表种群个数）2）非精英机制方法；还有3）需要指定一 化策略(PAES)[14]和强化Pareto 进化算法(SPEA)[24] 。 个共享参数。本文中，我们提出了一个基于非支配排序的多 约束多目标优化对实际要解决的问题来说是非常重要 目标进化算法（MOEA ），称为第二代非支配排序进化算法 的，但是至今在进化算法领域并没有得到足够的重视。本文 （NSGA-II），它缓解了以上三个难点。特别要明确指出的是， 中，我们根据NSGA-II 提出了一个适合任何遗传算法的简单 一个计算复杂度只有 2 的快速非支配排序方法被提 约束处理策略。在文献中选择出来的四个问题测试，NGSA-II O(MN ) 出。还有，一个通过结合父代和子代种群以及选择最佳解决 被用来和另一个当前提出的约束处理策略做对比。实验结果 方法（根据适应度和扩展性）创建交配池的选择算子被提出。 表明NSGA-II 可以被鼓励应用于更多复杂的以及现实世界中 对不同的测试问题进行的模拟仿真结果表明所提出的 的多目标优化问题。 NSGA-II，在大多数问题中，与其他进化策略和强性 Pareto 在文章的剩余部分，在第二章节我们简略地提到一些存 进化算法——两个注重创造具有多样性Pareto 占优前沿面的 在精英机制的多目标进化算法。然后，在第三章节，我们详 精英机制的多目标进化算法——相比能找到相对扩展性较好 细描述了所提出的NSGA-II 算法。第四章节展示了NSGA-II 的解以及更能收敛于实际Pareto 占优的前沿面。另外，为了 的仿真结果并与其它两种多目标优化算法(PAES 和 SPEA)对 高效解决约束多目标优化问题，我们修改了支配的定义。对 比。在第五章节，我们重点强调了参数相互作用的问题，它 一些测试问题，包括 5 目标、7 约束的非线性问题，将约束 是在进化计算方向非常重要的问题。下一章节将NSGA-II 扩 NSGA-II 算法的模拟仿真结果与另一个约束多目标优化算法 展到处理约束问题并将结果与当前另一个提出的约束处理方 相比，NSGA-II 的性能明显更好。 法做对比。最后，我们概括了本文的结论。 索引词 — 约束处理，精英机制，遗传算法，多重判据 决策，多目标优化，Pareto 占优法 II. 精英机制的多目标进化算法 I. 引言 1993-1995 年期间，一些不同的进化算法被提出用来解决 多目标优化问题。在它们之中，Fonseca 和 Fleming 的 原则上，在一个问题中存在多个目标会产生一个最优解 MOGA[7], Srinivas 和 Deb 的 NSGA[20], 以及Horn et al.的 集合（广范知晓的是Pareto 占优解法），而不仅仅是一个最优 NPGA [13]得到了更多的关注。这些算法展示了将EA 转化为 解。没有任何进一步的信息，不可以认为一个Pareto 占优的 MOEA 的附加算子。以上三个算子有如下两个共同特征：i） 解法会比其它解法好。这需要用户找到尽可能多Pareto 占优 基于非支配排序给种群成员指定适应度 ii)在同一支配前沿面 的解。经典优化方法（包括多重判据决策方法）建议通过每 的解中保持多样性。即使他们已经被证明在很多测试问题以 次强调一个特有的Pareto 占优解将多目标优化问题转化为单 及一些工程设计问题上可以找到多个非支配解，研究者发现 目标优化问题。当这种方法被用来寻找多个解时，在每次模 需要引进更多有用的算子（在单目标进化算