多目标优化问题的改进蚁群算法分析-管理科学与工程专业论文.docxVIP

- - III - 目 录 摘 要 I Abstract II 1．绪论 1 1.1 多目标优化背景 1 1.2 蚁群算法的产生和发展 2 1.3 多目标蚁群算法概述 4 1.4 本文的主要内容 5 2. 理论基础 8 2.1 多目标优化问题的基本原理和方法 8 2.1.1 多目标优化的基本概念 8 2.1.2 传统的多目标优化方法 11 2.1.3 传统优化方法的局限性 13 2.2 基本蚁群算法的原理和方法 14 2.2.1 旅行商问题 14 2.2.2 基本蚁群算法的原理 14 2.2.3 基本蚁群算法的方法 15 2.2.4 基本蚁群算法的优点与不足 18 3. 求解多目标 TSP 问题的智能蚂蚁算法 20 3.1 多目标评价指标 20 3.2 多目标 TSP 问题的模型 21 3.3 算法描述 22 3.3.1 算法中的关键问题 22 3.3.2 对算法进行的改进讨论 24 3.2.3 算法的步骤 26 3.4 收敛性证明 27 3.5 实验及其结果分析 30 - - IV - HYPERLINK \l _TOC_250005 4. 基于 Nash 均衡策略的多目标连续域进化蚁群算法 34 4.1 对蚁群算法的进化改进 34 4.1.1 算法描述 35 HYPERLINK \l _TOC_250004 4.1.2 进化蚁群算法（EACS）步骤 36 4.1.3 数值实验与分析 37 HYPERLINK \l _TOC_250003 4.2 将 Nash 均衡策略与多目标连续域进化蚁群算法相结合 40 HYPERLINK \l _TOC_250002 4.2.1 连续域进化蚁群算法(CEACS) 40 HYPERLINK \l _TOC_250001 4.2.2 多目标连续域进化蚁群算法（MCEACS） 41 HYPERLINK \l _TOC_250000 4.2.3 Nash-MCEACS 算法的基本思想及步骤 42 4.3 收敛性证明 44 4.4 实验及其结果分析 47 5．结论 50 参 考 文 献 52 附录 56 作 者 简 历 63 学位论文数据集 65 - - 1．绪论 多目标优化问题(Multi- objective Optimization Problem，MOP)起源于许多实际 复杂系统的建模、设计和规划问题，这些系统所在的领域包括资本预算、城市运输、 工业制造、森林管理、水库管理、能量分配、新城市的布局和美化、等等。在现实 生活中几乎每个重要的生活中的决策问题都要考虑在具有不同约束的同时处理 若 干个互相冲突的目标，这些问题都关系到多个目标的优化，这些目标并不是单独存 在的，它们往往是交合在一起的互相竞争的目标，各目标之间都具有不同的物理意 义和量纲。它们的复杂性和竞争性使得对它们的优化变得很困难。 近 20 多年来，多目标优化作为应用数学的一门新兴学科迅速发展起来。它研 究的是满足一定约束条件的向量目标函数在某种意义下的最优化问题。由于现实生 活的大量问题，都可归结为含有多个目标的最优化问题，自 70 年代以来，在国内 和国际上，对于多目标最优化的研究，都引起了人们极大的关注和重视。特别是近 10 多年来，研究队伍迅速壮大，理论探索不断深入，应用范围日益广泛，显示出生 机勃勃的景象。与此同时，随着对工程设计和社会经济中大型复杂系统研究的深入， 多目标优化的理论和方法也常常受到严峻挑战并得到快速发展。最近几年，将蚁群 算法(Ant Colony Algorithm, ACA)应用于多目标优化问题成为研究热点，这种算法通 常称作多目标优化进化算法。因为蚁群算法的基本特点是具有较强的全局搜索能力 和鲁棒性、优良的分布式计算机制，使得在整个解空间内能够快速搜索到多目标组 合的 Pareto 有效解，并利用多目标蚁群算法维持解集多样性的特点，使得搜索到的 Pareto 解在前沿均匀分布。 本章首先介绍多目标优化问题领域的研究发展 历史，蚁群算法的产生发展历 史、对当前主要的基于蚁群算法的多目标优化算法做一些简单介绍。最后明确论文 的研究目的、内容。 1.1 多目标优化背景 一般说来，工程实践与科学研究中许多优化问题大都是多目标优化问题。多目 标优化问题中每个目标之间通过决策变量相互制约，对其中一个目标进行优化必须 以其它目标作为代价，并且每个目标的单位又常常不一致，因此要想客观地评价多 目标问题解的优劣性是一件很难的事情。区别于单目标优化问题的根本在于，多目 标优化问题的是一个最优解集合并不是唯一的解。集合中元素称为 Pareto 最优或非 劣最优。所谓 Pare