一种约束多目标优化问题的改进蚁群遗传算法.docVIP

一种约束多目标优化问题的改进蚁群遗传算法 　　摘要：该文针对多目标蚁群遗传算法（MOAGA）解集边界分布不均的问题，提出改进算法，解决了连续空间中带约束条件多目标优化问题。改进算法在基本MOAGA算法的基础上，在选择中引入一定比例的边界决策、单目标最优决策，并提高边界决策的交叉率。实验证明，改进算法解决了基本算法解集分布边界疏中间密的问题，并且能更快的获得散布性较好的Pareto最优解集。 　　关键词：约束多目标优化问题，改进蚁群遗传算法，散布性，Pareto前沿 　　中图分类号：TP18文献标识码：A文章编号：1009-3044(2008)36-2830-03 　　An Improved Multi-Objective Ant-Genetic Algorithm In Constrained Problem 　　WU Ai-hua 　　(Changsha Social Work College,Changsha 410004,China) 　　Abstract: An improved Multi-Objective Ant-Genetic Algorithm is presented in this paper, it can be used to solve Constrained Multi-Objective Optimization Problem on continuous space. Go farther than the basic MOAGA, we introduce some scale of boundary-decision and single-objective excellent-decision in choosing, and enhance ratio of intercrossing of boundary-decision. In the end, an example was listed to prove that the improved algorithm can solve the problem of the solution-set distributing uneven on the boundary in basic one, and can obtain the Pareto optimality set faster and better. 　　Key words: Constrained Multi-Objective Optimization Problem; Improved Multi-Objective Ant-Genetic Algorithms; diffusion performance; Pareto front 　　1 引言 　　在实际问题中，许多控制和决策问题需同时考虑多个目标优化，即约束多目标优化问题。不失一般性，以最小化问题为例，约束多目标优化问题可定义如下： 　　 　　但对多目标优化问题的求解至今还是一个难点，通常很难求出其最优解，只能求出Pareto解。近年来，出现了一系列用来解决此问题的算法，如遗传算法(GA)、粒子群优化（PSO）、蚁群算法（ACA）等，这些算法虽然在过程控制、工程优化等方面取得了成功，但在求解多目标函数优化问题时存在一些困难。就目前来说，由于蚁群算法具有并行性、正反馈机制以及求解效率高等特性，但其全局搜索能力较差，容易陷入局部解[1]。而遗传算法尽管具有快速性、随机性、全局收敛性等优点，但是运行到一定程度后，由于没有有效利用系统中的反馈信息而作大量无谓的冗余迭代，另外该算法对所选参数比较敏感，其收敛速率还得不到非常有效的保证，有时会出现收敛停滞现象[2]。考虑到蚁群算法和遗传算法的特性，因此有学者考虑研究蚁群算法与遗传算法的融合[3]（GAAA），但该算法只是简单地先后运用两种算法进行求解，并不是实质的融合，尽管在一定程度上提高了求解的精度，但是算法效率降低了。多目标蚁群遗传算法（MOAGA）很好的解决了这一问题，但是由于该算法采用是线性交叉算子，解集的分布是中间密，靠近边界的部分比较稀疏。因此为了解决解分布的均匀散布性，本文提出基于MOAGA的改进算法，在选择过程中时，按一定比例加入边界决策（特别是边界最优决策），同时使得部分单目标最优决策直接成为父代；在交叉过程中，提高边界决策的繁殖能力。这样，就能更快地获得散布性较好的解集。 　　2 改进的多目标蚁群遗传算法 　　2.1 信息素操作 　　首先将决策向量空间均匀分解为M=M1×M2×…×Mn个子空间Ej1j2…ji（ji=1,2,…,Mi）。然后在每个子空间中随机产生一个决策形成第1代――初始决策集A(1*)。 对初始决策用约