一个具有偏好的多目标优化新的进化算法.pdf

2 一个具有偏好的多目标优化新的进化算法 局优化概率搜索算法。它最早由美国密执安大学的Holland教授提出，起源于60年 代对自然和人工自适应的研究㈣。70年代De Jong基于遗传算法的思想在计算机 上进行了大量的纯数值函数优化计算实验”91。在一系列研究工作的基础上，80年 代由Goldberg进行归纳总结，形成了遗传算法的基本框架120--241。 §I．2．I遗传算法的基本框架 遗传算法是一种群体型操作，该操作以群体中的所有个体为对象。选择 算法包括6个基本要素：参数编码、初始种群的设定、适应度函数的设计、遗传 算子的设计、停止运行准则及结果的编码、控制参数设定(包括种群规模、交叉 概率、变异概率，停止运行准则韵参数等。) 1编码 把问题空间中的参数或解转化成遗传空间中的染色体或个体，称作编码 的数据，所以必须通过编码将它们表示成遗传空间的基因型串结构数据。编码规 则有： 1)完备性(completeness)：问题空间中的所有点都成为编码后空间中的点； 2)健全性(soundness)：编码后空间的点能对应原问题空间的所有点； 4)有意义积木块编码规则：应使用能易于产生与所求问题相关的底阶，短定 义长度模式的编码方案。 对于实际应用问题，必须对编码方法、交叉操作方法、变异操作方法、解码方 法等统一考虑，以寻求到一种对问题的描述最为方便、遗传算法效率最高的编码 方案。编码方法有很多，如：二进制编码、格雷码编码、实数编码、符号编码、 多参数级联编码、多参数交叉编码。对不同问题，应选用合适的编码方法。 2初始种群的生成 size)。由于遗传算法的种群型操作需要，所以必须为遗传操作准备一个 (population 由若干初始解组成的初始种群。初始种群的每个个体都是通过随机方法产生，它 也称为进化的初始代。种群规模是遗传算法的控制参数之一，其选取对遗传算法 效能的发挥有影响。一般种群规模在几十到几百之间取值，问题越难，维数越高， 种群规模越大。 初始种群的设定可采取以下策略： 第一章绪论 3 1)设法把握最优解在整个问题空间的分布范围，然后在此分布范围内均匀设 定初始种群。 2)先随机生成一定数目的个体，然后从中选出最好的个体加入到种群中，不 断重复这一过程，直到达到种群规模。 3适应度函数 各个体对环境的适应程度叫适应度(fitness)。遗传算法在进化搜索过程中一般不 需要其它外部信息，仅用适应度来评估个体或解的优劣，并作为以后遗传操作的 依据。 1)评价个体适应度的一般过程是：对个体编码串进行解码处理后，可得到个 体的表现型，由个体的表现型可计算出对应个体的目标函数值，根据最优 化问题的类型，由目标函数值按一定的转换规则求出个体的适应度。 2)适应度尺度变换，在遗传算法中，种群的进化过程是以种群中各个体的适 应度为依据，通过一个迭代过程，不断地寻求出适应度较大的个体，最终 就可得到问题的最优解或近似最优解。在遗传算法运行的不同阶段还需要 对个体的适应度进行适当的扩大或缩小，这就是适应度尺度变换。在进化 的初期，为避免未成熟收敛，应缩小个体间的差异；在进化的最后阶段， 为了加快收敛，应放大个体问的差异。常用的尺度变换有三种：线性尺度 变换、乘幂尺度变换、指数尺度变换。 4选择算子 选择操作就是用来确定如何从父代种群中按某种方法选取哪些个体遗传到下 一代种群的遗传运算。选择操作建立在对个体的适应度进行评价的基础上，其主 要目的是为了避免基因缺失，提高全局收敛和计算效率。 常用的选择算予有：比例选择、保留最佳个体选择、期望值选择、排序选择、 随机联赛选择。 5交叉算子 交叉操作是遗传算法中最主要的遗传操作，交叉算子的设计和实现与所研究的 问题密切相关，一般要求即不要太多破坏个体编码串中表示优良性状的优良模式， 又要能够有效地产生一些较好的新个体模式，它的设计要和个体编码设计统一考 虑。 常用的交叉算子有：单点交叉、双点交叉、多点交叉、均匀交叉、算术交叉。 6变异算予