帕累托试验过程记录.docVIP

帕累托 基于风险和服务质量的规划模型 基于风险和总服务质量的实验结果及讨论 首先以全面服务质量为目标2的优化目标，则五个质量属性的重要性程度相同吗，故其在目标函数中的系数均为1，则两目标函数变为： 则目标2的计算公式为： 目标2计算公式中所使用的均为标准化之后的数据。 选取种群规模为100，最大迭代次数为400，外部种群最大规模为200，交叉概率为.08，变异概率为0.01。适应值的计算依赖于种群中个体与非劣解集的最短距离，经分析计算可得，该距离始终小于230，故根据适应值越大越容易被选中的原则，以230与这个最小距离的差作为每个个体的适应值。 选取进化前100代群体中第1、20、40、60、80、100、200和300代的种群进行研究，其当时的外部种群也即帕累托解集示意图如图1所示。 图1 前100代外部种群最优解集变化图 图1各个子图中，横坐标和纵坐标分别代表帕累托最优解在目标1风险参数和目标2总服务质量参数上的取值。可以看出，最优解集内最优解的个数在不断增加，前100代的进化效果比较明显，100代之后最优解集缓慢向帕累托前沿面靠拢。图2所示为前400代外部种群最优解集变化图： 图2 前400代外部种群最优解集变化图 图2中，红色、蓝色、绿色、黑色、黄色和粉色分别代表第1、20、100、200、300和400代的最优解集，可以看出最优解集逐渐缓慢向帕累托前沿靠拢，粉红色的末代最优解集位置十分逼近帕累托前沿面。 为检验所求的最优解集的优劣性，我们对模拟实验中所有的服务组合进行遍历，求出了两个目标值的绝对极值。在不考虑其它因素情况下，目标1风险参数的极小值为4.3414。同样，在不考虑其它因素情况下，目标2总服务质量参数的极小值为75.4203。经分析得，使用遗传算法求出的帕累托解集符合这一情况，且解集始终在向帕累托前沿面靠拢。实验最终结果的帕累托解集与遍历后的绝对最优值比较如表1所示： 表1 帕累托解集与目标极小值的比较 极小值 最优解集 目标1 7.858 9.728 11.023 … 78.713 81.613 82.081 目标2 171.801 170.009 167.568 … 99.770 97.219 96.501 由表1也可以看出实验所求得的最优解集十分接近帕累托前沿面。 为检验算法优化过程的有效性，图3所示为各代种群的适应值曲线，其中红色、蓝色、绿色、黑色、黄色和粉色分别代表第1、20、100、200、300和400代种群的适应值，值为0的表示不满足模型中对服务组合限制条件的个体。 图3 各代种群内个体的适应值曲线 图3显示了各代种群适应度值之和的总体趋势图。由不同颜色所代表种群之间的差异来看，在进化过程中，种群内部满足条件的个体数目在不断增加，个体的适应值在小范围内不断起伏，但是从总体趋势来看，种群的适应值在不断增长，这一结论与图4中各代种群内个体适应度之和的变化趋势相吻合。 图4 各代适应度之和的变化趋势 图4中所选各代种群内个体适应值之和分别为414、18382、20032、20395、20777和21128，各代种群的适应度值在进化过程中始终持稳定上升的趋势。 到此我们可以得出，所建模型及所设计的求解过程可以快速有效的得到服务组合计划的最优解，但是，这些解是否可以用于决策者选择，它们的实际性能如何仍旧未知，所以，我们下一步即为验证这些解集所代表的个体是否是优秀的服务组合计划。图5所示为第400代种群所对应的最终非劣解集，在此我们将解集所在范围划入九宫格，对其中不同区域解的个体进行讨论。 图5 最优解集选择图 由图5可以看出，此次生成的解基本上存在于1区、5区和9区，各区域最优解所对应个体的详细情况见表2。包括个体所对应的目标值和各个质量属性值，以及它们同目标极小值和质量属性期望值之间的比较，其中目标极值均为标准化后的数据。 表2 各区域最优解所对应个体的性能比较 个体 目标1 目标2 成本 1区 8 2 9 3 3 8 2 7 2 7 7.858 171.801 4.208 6.6847 72.1903 79.3625 93.7171 8 2 9 3 10 5 2 7 2 4 9.728 170.009 4.2441 6.7448 68.5965 79.3625 93.1278 8 2 6 10 10 5 2 8 2 4 11.023 167.568 4.077 6.4989 70.9458 79.3625 92.6904 5区 8 1 6 5 3 7 6 7 2 1 44.061 132.51 3.1276 5.3456 53.9657 75.4296 96.7218 8 4 6 3 3 9 6 7 2 8 45.400 131.091 3.4922