基于演化算法的多目标优化方法及其应用研究-计算机应用技术专业论文.docxVIP

摘 摘 要 现实中遇到的许多问题往往表现为由多个、可能相互冲突的目标构成的多目 标优化问题。多年来多目标优化问题尽管已有许多求解方法，然而最近十几年来 演化算法己逐渐发展成为解决多目标优化问题的理想方法，特别为求解大规模复 杂的多目标优化问题提供了有效的研究方法，因而多目标优化问题也已经成为演 化算法领域的研究热点。正因为如此，多目标优化在现实世界中正得到广泛应用： 在经济学和管理中，用于求解证券投资、通货膨胀和经济增长模型中的多目标决 策、运输投资等问题；在工程设计中可用于多目标选址问题、多目标指派问题、 多目标设计问题、交通问题等：在网络与通讯中主要应用于网络的拓结构设计组 播路由(multj．cast)和Geo—cast等问题中。随着研究和应用的深入，实际求解问 题的复杂性对算法的各种性能等技术发展提出了新的挑战。因此，如何进一步提 高演化算法性能，以及在多目标优化领域，如何将有关的搜索策略和多目标优化 技巧进行有效的结合从而最终提高问题的求解质量，将是本文研究的关键问题， 所有这些研究也将拓展演化算法及其在多目标优化领域的应用研究。本文的主要 工作包括： (1)遗传算法中的种群多样性对遗传算法的收敛等性能具有重要的影响作 用，本文具体分析了遗传算法的演化性能特征、遗传算法的多样性问题，以及影 响遗传算法性能的一些主要因素。在此基础上分析了基于混合优化策略的演化算 法，这将是改善算法性能的一个重要途径，并分析了从整体上提高算法性能的可 行性及其有效机制。基于此，以～类车辆路径调度问题(Ⅵ冲，v幽icle routing problems)为问题背景，结合2一opt局部优化算法提出了GA with oopt算法来求解 Ⅵ冲问题，讨论了以遗传算法求解Ⅵ冲问题的染色体表示和有关遗传操作，并给出 了算例分析。 (2)为致力于多目标演化算法的求解目标，本文分析了多目标演化算法设计 中所要解决的主要各种策略应用问题：适应度赋值方法、选择操作和遗传操作的 设计。基于多目标混合演化算法的形成机制及其一般结构，提出了～种改善收敛 性能的混台多目标演化算法，将传统的局部搜索方法应用于MOEA，即基于H00ke and and Jeeves局部搜索的MOEA—HMOEA，并以算例验证其可行性、有效性和收敛 性能。 (3)交叉算子是演化算法特别是遗传算法(GA)中的重要的构成要索， 其对GA的性能影响理论上虽然还没有形成系统的分析，但基于实践和经验的认 识，交叉算子对GA性能的影响发挥着重要作用。本文分析了交叉算子在演化算 中所存在的性能特征，基于演化算法中的有效交叉算子和多目标优化问题的自身 特征，借助已有的运用于多目标演化算法中的策略，研究了将两种交叉算子有机 地运用于多目标演化算法，提出了基于两种交叉操作相互结合的多目标演化算法 (multi．objective evolutionaD‘algorithm based on double crossovefs，MOEADc)，分 析了算法的收敛性能、解集分布性能和计算效率，并进一步证明了它的收敛性， 并通过复杂的算例验证了相关性能。 (4)工程优化设计及管理决策的现实情况决定了多目标演化算法是一种较 好解决问题的方法，本文通过了一个简单的机械设计的问题并结合算法MOEADc 分析了多目标演化算法在实际应用中的必要性，以及它在工程设计、管理中为决 策者所带来的决策信息和产生的指导作用。并进～步给出了混合交叉策略的多目 标演化算法MOEADC在一类投资组合应用方面的案例研究，与相关研究作了比 较，分析了该算法应用于工程管理方面的的可行性，以及能够为投资决策者提供 较为全面的、灵活的投资选择决策。因此本研究能够为一类工程优化和管理问题 的决策者或管理者在实际操作过程中提供较为具体的相关信息和更大的灵活性。 关键词：多目标优化问题，演化算法，多目标演化算法，混合演化算法 Ⅱ Abstract1n Abstract 1n real world problems，one is faced with the problem，which oflen is composed of multipie，possibly competin岛goals，while being optimized simultaneousl弘that is， the problem is multi—objectiVe optimization problem AIthough the印proaches for solving Multi—objectiVe Optimization Problems(MOPs)have been available for many years，Evolutionary～gorithms(E