多目标进化算法中解集分布性的分析-控制工程专业论文.docxVIP

符号说明表 MOP： 多目标优化问题(Multi-Objective optimization problem) EA： 进化算法(Evolutionary Algorithm) MOEA： 多目标进化算法(Multi-Objective Evolutionary Algorithm) VEGA： 向量评估遗传算法(Vector Evaluated Genetic Algorithm) NPGA： 基于小生境的遗传算法(Niched-Pareto Genetic Algorithm) NSGA-II：非支配排序遗传算法(Nondominated Sorting Genetic Algorithm II) MST-NSGA-II ：基于最小生成树的非支配排序遗传算法 (Improving NSGA-II Based on Minimum Spanning Tree) PESA-II ： 基于封套选择的遗传算法 (Pareto Envelope-based Selection Algorithm II) 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 2) MST-MOEA ： 基于最小生成树的多目标进化算法 (Multi-objective Evolutionary Algorithm Based on Minimum Spanning Tree) MOEA/NUDP ：解决非均匀分布问题的多目标进化算法 (Multi-Objective Evolutionary Algorithm for Multi-Objective Problem of the Non-Uniform Distribution) IV 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 第一章 绪 论 进化算法(Evolutionary Algorithm, EA)是一类模拟生物自然选择与自然进化 的随机搜索算法，以其擅长于求解高度复杂的非线性问题而得到了非常广泛的应 用，同时它又具有较好的通用性。在解决只有单个目标的复杂系统优化问题时， 充分展现了进化算法的优势[1]。然而，现实世界中的优化问题，通常是多属性的， 一般是对多个目标的同时优化。如一个国家的最优良性发展，涉及到经济的快速 增长、社会秩序的稳定、环境的保护和改善等多个方面。在这里，经济快速增长 和社会秩序稳定这两个优化目标是相辅相成的，互相促进的，通常称之为一致的。 多数情况下，被同时优化的多个目标之间是相互冲突的，如企业生产活动中，产 品质量与生产成本是两个相互冲突的目标。为了寻找总目标的最优化，通常需要 对相互冲突的子目标进行综合考虑，即对各子目标进行折衷(tradeoffs)。由此， 针对多目标的优化问题，出现了多目标进化算法(Multi-Objective Evolutionary Algorithm, MOEA)[2,3]。 1.1 多目标优化的基本概念 1.1.1 多目标优化的定义 单目标优化问题通常可表述为下面的形式 max  z = f (x) s.t. gi (x) ≤ 0, i = 1, 2, , m (1-1) i其中 x ∈ Rn 是带有 n 个决策变量的向量， f (x) 是目标函数， g (x) 是 m 个不 等式约束函数，由它们形成了可行解区域。通常在决策空间中用 S 来表示可行区 i 域，如下表示： S = {x ∈ Rn  gi (x) ≤ 0,  i = 1, 2, , m, x ≥ 0}  (1-2) 不失一般性，多目标优化问题可以表述为下面的形式[2,4,5]： 给定决策向量 x = [x1 , x2  , , xn