- 1、本文档共7页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
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
文档评论(0)