约束优化问题算法的研究综述.docVIP

约束优化问题算法的研究综述 　　摘 要：约束优化问题是控制和决策领域的重要问题，也是智能算法领域的研究热点之一。本文对约束优化问题的相关概念进行了介绍，详细阐释了求解约束优化问题的四种主要智能算法：教与学优化算法、进化算法、粒子群算法和差分进化算法，对其算法思想、流程和特征进行了总结，并对其在工程中的主要应用进行了介绍，提出了求解约束优化问题的算法发展前景和面临的问题。 　　关键词：约束优化问题；TLBO；遗传算法；粒子群算法；差分进化算法 　　中图分类号：TP18 文献标识码：A 文章编号：1671-2064（2018）01-0013-04 　　1 引言 　　所有的控制与决策问题都可以归结为优化问题[1]，优化问题在冶金过程、化工管理、作业调度和其它工程应用等领域中广泛存在，相关优化算法得到了广泛应用。优化问题一般可分为无约束优化和约束优化两类，过去数十年来，无约束优化研究的成果多，其技术已经较为成熟，能解决绝大多数的无约束问题。 　　相较而言，约束优化问题比无约束优化问题更复杂，因为存在约束，导致搜索空间中不可行域增加；搜索时需要平衡约束和优化，某些问题的最优解往往在可行域的边界，特别是一些强约束问题，寻找到可行解已经非常困难，找到最优的可行解更是艰难[2]。 　　现有的解约束优化问题的传统方法主要是解析法和数值法[4][5]，其存在目标函数要求高、算法对初始值依赖性强、简单性和通用性差等缺点，因此，智能算法对于约束优化问题求解的发展至关重要。 　　2 约束优化问题算法综述 　　智能算法通过对动物智能行为进行模仿来解决实际生活中的问题，在智能算法中，种群个体代表搜索空间中的解，不要求连续或可导，也无需目标函数的梯度信息，更适合求解约束优化问题。下面介绍求解约束问题的常见的几种智能算法。 　　2.1 GA算法 　　在达尔文遗传学和进化论的启发下，Holland提出了进化算法（Genetic Algorithm，GA）。该算法在群体遗传学机理和自然选择基础上进行随机迭代和进化，具有很强的全局优化搜索能力和广泛适用性。进化算法对自然选择和遗传过程中发生的交配、繁殖和变异现象进行模拟，以优胜劣汰、适者生存的自然法则为依据，对选择、交叉和变异的进化算子加以利用，逐代产生候选解即优选个体，最终搜索得到较优的个体。进化算法是一种以种群中的所有个体为对象的种群型操作[6]。 　　遗传算法的基本步骤包括： 　　步骤1：随机生成初始种群，评价每个个体适配值； 　　步骤2：算法是否收敛判断，如果是，则输出搜索结果，如果否，执行以下操作； 　　步骤3：按照某一规则执行复制操作； 　　步骤4：以概率Pc执行个体间交叉操作； 　　步骤5：以概率Pm进行个体变异操作； 　　步骤6：然后转向步骤2。 　　流程图如下图1所示。 　　遗传算法具有以下特征： 　　（1）算法不被函数的可导性或连续性所限制，从一个问题解的集合开始进行搜索，搜索可以并行进行，速度得以提高； 　　（2）算法具有较强的全局寻优能力，对求解非线性复杂问题效果显著； 　　（3）进行算法的交叉、复制等操作都带有随机性，将个体的适应度值结合在探索过程。 　　2.2 TLBO算法 　　2010年，Rao等针对机械设计优化问题提出了一种新的高效优化算法――教与学优化算法（Teaching-Learning-Based Optimization，TLBO），其属于基于种群的启发式智能算法[7]。 　　TLBO基于老师对学生的影响，其算法流程大致为：在限制约束空间中随机生成一系列解，将这些解视为一个班级的“学生”，每个学生都有不同的科目，根据适应度值评价学生表现，其中表现最好的一位学生被任命为“老师”。算法分为教学阶段和学习阶段等两个阶段。在教学阶段，老师向学生“授课”，学生通过在“授课”中向老师“学习”来增加自己科目的知识水平；在学习阶段，类似于课后学生们相互交换学习心得，学生间进行学习交流，从而促进每个学生的成绩提高。在经过多次老师的“教学”过程和学生之间相互的“学习”过程之后，班级学生的知识水平得到提高，从而等同于在整个限制约束空间中，可行解的搜索空间不断地趋近于最优解。由于TLBO算法具备收敛能力强、收敛速度快、不需特定信息、且算法简易、所需参数少等优点，引起了广大研究者的研究与关注，并已经在多个领域得到了较好的应用。算法具体步骤如下： 　　步骤1：初始化优化模型参数和优化算法参数，包括种群规模（Population size）Pn，迭代次数Gn，待优化变量维数Dn和变量约束条件等； 　　步骤2：根据种群规模和变量维数随机生成初始种群，并计算个体的成绩（适应度值）。对于TLBO算法而言，种群规模表示学员的数量，待优化变量表示所提供的课程