多目标进化算法中解集分布性能的分析-控制工程专业论文.docxVIP

IV IV 符号说明表 DMOEA： 基于密度的多目标进化算法（ Density based MOEA） δ-MOEA： 基于 δ 支配的多目标进化算法（ δ-dominance based MOEA） δ-GS： 基于 δ 支配的网格存优策略（ δ-dominance based Grid-Strategy） EA： 进化算法（ Evolutionary Algorithm） EMO： 多目标进化（ Evolutionary Multi-Objective ） ε-MOEA： 基于 ε 支配的多目标进化算法（ ε-dominance based MOEA） MOEA： 多目标进化算法（ Multi-Objective Evolutionary Algorithm） Nds： 非支配解（ Non-Dominated Solutions ） NSGA-II： 非支配排序遗传算法（ Nondominated Sorting Genetic Algorithm-II） OMOEA-II：基于密度的多目标进化算法（ Orthogonal-MOEA） PAES： 基于 Pareto 归档的进化策略（ Pareto Archived Evolution Strategy） PESA2 ： 基于封套选择的遗传算法（ Region-based Selection in Evolutionary Multi-Objective Optimization Algorithm） SPEA2： 通过个体强度寻找 Pareto 集的遗传算 法（ Improving the Strength Pareto Evolutionary Algorithm for Multi-Objective Optimization） 湘潭大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在 导师的指导下独立进行研究所 取得的研究成果。除了文中特别加以 标注引用的内容外，本论文不包含任 何其他个人或集体已经发表或撰写的 成果作品。对本文的研究做出重要贡 献的个人和集体，均已在文中以明确 方式标明。本人完全意识到本声明的 法律后果由本人承担。 作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留 、使用学位论文的规定，同意 学校保留并向国家有关部门或机构送 交论文的复印件和电子版，允许论文 被查阅和借阅。本人授权湘潭大学可 以将本学位论文的全部或部分内容编 入有关数据库进行检索，可以采用影 印、缩印或扫描等复制手段保存和汇 编本学位论文。 涉密论文按学校规定处理。 作者签名： 日期： 年 月 日 导师签名： 日期： 年 月 日 PAGE PAGE 10 第 1 章 绪 论 1.1 多目标进化算法概述 自然界生物体通过自身的演化来适应周围 的环境从而不断地向前发展 。进化 算 法（ EA：Evolutionary Algorithm）就是基于这种思想逐步发展起来的一类模拟 自然进化过程与机制 ，求解优化问题的一 类自组织 、自适应人工智能技术 ，是对 生物进化过程进行的一种数学仿真 [1]。 进化算法从一个初始群体出发 ，通过随机选择 、变异和交叉过程 ，使群体进 化到搜索空间中越来越好的区域 ，其中每 个个体表示给定问题的一个候选解 。选 择过程使群体中适应度较好的个 体在个体之间的竞争中保留下来 ，使它们得到更 多的繁衍 、复制的机会 ，交叉算子将父代 的基因结合到一起并传递给下一代 ，变 异操作以很小的概率进行 ，可以在群体中引入新的变种 。这类方法符合达尔文 “适 者生存 ”和随机信息交换思想，既消除解中不适应因素，又利用了原有解中的 知 识 ，从而使优化过程加快 ，最终获得全局最优解 [1]。进化算法本质上是随机搜索 算法 ，它适合于求解无表达或有表达的高度复杂的 非线性问题 ，因此具有广泛的 应用价值 [2]。 现实世界中的许多实际决策问题 一般是多属性的 ，在考虑不同约束的同时需 要处理若干个相互冲突的目标 ，即实现多 个目标的同时优化 。这类问题称之为多 目标优化问题（ MOP： Multiobjective Optimization Problem） [2-4]。 自 20 世纪 60 年代早期以来，多目标优化问题（ MOP）吸引了越来越多不 同背景研究人员的注意力 。这是因为多目标优化问题在现实生 活中非常普遍并且 处于非常重要的地位 ，在工程应用等实际问题中很多 优化问题都是多目标优化问 题 ，如工厂的最低成本和最大效益问题就 是一个典型的多目标优化问题 ，类似的 领域还包括软硬件系统的设计 、工业制造 、能量分配 、工程管理等等 。而这些实 际问题非常复杂 、困难 ，要很好地解