多目标进化算法研究综述研究.pdf

多目标进化算法研究综述 曹一家①陆金桂。 ①(浙江大学电气工程学院310027) ②(南京工业大学信息学院210009) 摘要本文介绍了近年来提出的主要多目标进化算法，并对这些算法进行了分类，分析和 评价了这些主要算法的优点和缺点，并指出了今后研究中值得注意的主要问题和研 究方向。 关键词进化算法多目标优化Pareto．最优性 1引言 许多工程优化问题往往存在多个性能指标(或目标函数)，这些指标需要同时被优化。然 而实际上，其中的许多性能函数是常常相互冲突的，而且许多目标是互补的，性能可靠性和 费用是典型的相互冲突、互补的目标函数。在多目标优化问题中，希望找到(五，…，X。)， 使一_些目标函数f_-∞，…，厶)在某一可行域Q里极小或极大。与单目标优化问题不同，要 求各种目标函数同时到达极大或极小的解很可能不存在，因此，人们提出了Pareto．最优解的 概念(对极小化问题)。 定义1： 的／≠f，Z@1)>，@2)。 定义2：xo被称为Pareto．最优解，如果在Q中不存在任何x占优于xo。 对于多目标优化问题，如果不可能找到绝对最优解，往往希望能找到问题的Pareto最优 解，Pareto最优解往往亦称为相对最优解，亦指在不降低其它性能指标的前提下，再也不能提 高该性能指标。为了得到有实用价值的解，往往要考虑到设计者或消费者的偏好[1】。近年来 进化算法作为一种新型的随机优化方法，已被成功地用来寻找商业、工程和科学领域中问题 中的较好解【2】。进化算法是基于自然选择和遗传学原理的有效搜索方法。它们能在存在着大 量噪声干扰的工业数据的大系统中动态寻优，在给定时间内搜索问题的较好解，在大系统优 化与控制中已得到了广泛地应用。近年来，许多学者将其应用于多目标优化问题，取得了许 多进展[3．5】。 2多目标进化方法 用进化算法来求解多目标优化问题，同通常的传统算法一样，必须将目标函数标量化。 适应度值，作为子代个体的性能评估值，必须是标量，这个标量化过程应是目标函数的坐标 式单调变换，使个体被保证赋予Pareto意义下的合适的适应度值。这个变换过程，并非唯一， 并包括了设计者对在评估个体时使用的偏好信息。一般得到了一个标量适应度值，则进化算 法按通常的选种方法进行。由于受篇幅所限，我们不可能例举在该领域中提出的种种方法， 有兴趣的读者可参考文献[1，5】，这里我们将局限于讨论具有代表性的方法。目前，用进化算 法来解多目标优化问题可大致分为三大类[1】： ·量化方法：多个目标通常转化成单一目标来优化，这类方法中包括加权方法、极大极 小方法和目标向量法等。这些方法基本上与通常的多目标优化方法相同。 ·基于种群的non．Pareto方法：不同的目标函数依次影响种群中的不同个体的选择，种 群中的不同个体按每个目标函数排序的方法属于此类方法。 · 基于Pareto占优排序方法：种群直接按Pareto占优意义下排序。 这些主要方法介绍如下，在以下的描述中，除非特别说明，多目标优化问题都认定是极 小化问题，个体适应度值应与标量化后的目标函数值成反比。 (1)标量化方法 多目标进化算法中的标量化方法有：加权方法，极大极小方法和目标向量法等， 这些方 法的主要原理如下： ·加权方法 设有玎个目标函数．，j，…，石，按用户定义的加权系数∞』，…，63。加权，来获得一 标量目标函数。这种方法最为简单，也最为通用。 西：尺”一足 f(a，)：H∑纨以(q) 扣j 其中①代表费用设置策略。加权系数的设置通常随问题的不同而不同，它反映了设计者 对不同目标的偏好。Hajela和Lin将加权系数编码成染色体串中的一部分，从而可以得到不同 加权系数下最优解的信息[6】。 ·极大极小方法 该方法通常极小化疗个目标函数石，…，五的极大值。在实际应用中，设有刀个对应期望 的目标值g』，．．．’野，则优化