解决多目标优化问题的几种进化算法的比较研究.docVIP

解决多目标优化问题的几种进化算法的比较研究 　　摘要：进化算法具有适于解决多目标优化问题的特性，近来一直用于求解此类问题。群体智能优化算法是一种基于群体智能的进化算法，通过简单个体的交互表现出高度智能，大大增强了解决和处理优化问题的能力。分析了遗传算法、粒子群算法和混洗蛙跳算法的具体流程，比较了这三种进化算法的优劣。 　　关键词：进化算法；群体智能；遗传算法；粒子群算法；混洗蛙跳算法 　　中图分类号：TP18文献标识码：A文章编号：1009-3044(2011)07-1614-03 　　Solve the Multi-objective Optimization Problem of Comparative Study of Several Evolutionary Algorithm 　　WANG Xiao-di, XIAO Wei 　　(Hunan Normal University, Changsha 410081, China) 　　Abstract: Evolution algorithms, which preperty is resolving Mop, recently is used for solving/settling these problems. Swarm intelligence optimization algorithm is advanced algorithm based on swarm intelligence, highly enhanced the ability of resolving and handling optimization problem by showing high intelligence internal mutual reciprocity among simple individuals. We compared the advantagement and disadvantagement by analyzing detail process of GA,PSO and SFLA. 　　Key words: evolution algorithms; swarm intelligence; GA; PSO; SFLA 　　从古老的时代开始，人们就力求在解决一个问题的众多方案中寻求一种最优方案，并且一直对这一课题进行研究和探讨，这就是所谓的优化问题。研究优化问题有着很重要的意义，因为人类所有活动都是围绕“认识世界、建设世界”来进行的，认识世界需要建立模型即建模，而建设世界需要的是优化决策，所以建模与优化无处不在，始终贯穿在一切人类活动的过程之中。 　　但是在现实过程中，对问题的优化往往伴随着目标的约束，要求在符合一定的条件下，达到最优化的目的，并且这些优化问题通常还是多目标的，需要对多个目标同时进行优化，即通常所讲的多目标优化问题。以n个自变量和k个目标函数的多目标最大化问题为例来描述多目标约束化问题为[1]： 　　max f(x)={f1(x),f2(x),…,fk(x)} 　　S.T. e(x)={e1(x),e2(x),…,em(x)}≤0 　　其中，x=(x1,x2,…,xn) ∈X?奂Rn,y=(y1,y2,…,yk)∈Y?奂Rk,x表示决策向量，y表示目标向量，X表示决策向量x形成的决策空间，Y表示目标向量y形成的目标空间，约束条件e(x)≤0确定决策变量x的可行取值范围。这里假设所有的目标函数都要求最大化，如果其中某一个目标函数fi需要最小化，只要最大化（-fi）,所有的公式仍然成立。 　　进化算法有一些适于求解MOP的特点，包括能同时处理一组解个体，每运行一次即能获得多个有效的解个体，以及对问题均衡面的形状和连续性不敏感，即能很好地逼近非凸性或不连续的均衡面或曲线。因此，多目标的进化算法在近年来就一直用于求解MOP问题。 　　群体智能优化算法是一种基于群体智能的进化算法，通过模拟实际生物群体生活中个体与个体之间的相互交流与合作，用简单、有限的个体行为与智能，通过相互作用形成整个群体的整体能力。这种算法本质上是一种概率搜索，它不需要问题的梯度信息，具有较强的鲁棒性，并且，每个个体的能力或遵循的规则非常简单，群体智能的实现简单、方便，加上系统用于通信的开销少，易于扩充，能通过简单个体的交互表现出高度的智能，使原来一些复杂的、难于用常规的优化算法进行处理的问题可以得到解决，大大增强了人们解决和处理优化问题的能力。 　　1 遗传算法 　　遗传算法将生物遗传过程中随机配对交叉极致和进化过程中的适者生存法则相结合，通过模拟生物进化的机制和过程来搜索最优解。 　　遗传算法首先对解空间进行编码，每个编码对应要求解问