多目标进化算法.pptVIP

P[i]distance=(P[i+1]. f1 - P[i-1]. f1 )+(P[i+1]. f2 - P[i-1]. f2 ) 多目标进化算法简介 多目标进化算法历史 1967年Rosenberg就建议采用基于进化的搜索来处理多目标优化问题。 1984年，David Schaffer首次在机器学习中实现了向量评估遗传算法。 1989年David Goldberg在其著作《Genetic algorithms for search, optimization, and machine learning》中，提出了用进化算法实现多目标的优化技术。 从2001年以来，每二年召开一次有关多目标进化的国际会议(EMO：evolutionary multi-criterion optimization) 国际刊物“IEEE Transactions on Evolutionary Computation”(1997年创刊) Evolutionary Computation (1993年创刊) Genetic Programming and Evolvable Machines (1999年) 基本概念 进化算法(evolutionary algorithm, EA)得到了非常广泛应用。 现实中，一般对多个目标同时优化，往往优化的多个目标之间是相互冲突。 如：企业生产中，产品质量与生产成本的关系。 为达到总目标的最优化，对各子目标进行折衷，出现了多目标进化算法(multi-objective EA,MOEA)。 一般描述 给定决策向量，它满足下列约束： 设有r个优化目标，且这r个优化目标是相互冲突的，优化目标可表示为： 寻求 ，使 在满足约束(1)和(2)的同时达到最优。 　　　 例子 决策变量x,满足约束条件：-3≤x ≤ 3 设有2个优化目标：f(x)=(f1(x),f2(x)),其中 f1=x2 f2=(x-2)2 求解x*,使得f(x*)同时达到最小。 值空间分布图 X f1 f2 -3.000 9.000 25.000 -2.900 8.410 24.010 -2.800 7.840 23.040 -2.700 7.290 22.090 -2.600 6.760 21.160 -2.500 6.250 20.250 -2.400 5.760 19.360 2.000 4.000 0.000 2.100 4.410 0.010 ………… 2.200 4.840 0.040 2.300 5.290 0.090 2.400 5.760 0.160 2.500 6.250 0.250 2.600 6.760 0.360 2.700 7.290 0.490 2.800 7.840 0.640 2.900 8.410 0.810 ……….. Pareto最优解基本定义 多目标优化的最优解称为Pareto最优解。(1896年 Vilfredo Pareto） 定义1：给定一个多目标优化问题 ，它的最优解x*定义为： 　　　　　　　　　　　　　　(3) 其中：　　　　　　　　　　　　　　 (4) 这里Ω为满足式(1)和式(2)的可行解集，即： 我们称Ω为决策变量空间(简称决策空间)，向量函数 将 映射到集合 ，∏是目标函数空间(称目标空间)。 决策空间和目标空间 X 决策空间 -3 -2.9 … 2.9 3 f1 目标空间 9 8.41 … 8.41 9 f2 目标空间 25 24.01 … 0.81 1 定义2：给定一个多目标优化问题 ，称 是最优解(即Pareto optimal solution)， 若 ，满足下列条件： 或者 　　　　　 　　　　(5) 或至少存在一个 ，I={1，2，…r},使： 　　　　　　　　　(6) 其中Ω满足式(1)和式(2)的可行解集，即： 定义3：给定一个多目标优化问题 ， 若 ，且不存在其它的 使得： 成立，且其中至少一个是严格不等式， 则称X*是 的Pareto最优解。 Pareto最优解 X f1 f2 0 0 4 0.1 0.01 3.61 0.2 0.04 3.24 0.3 0.09 2.89 0.4 0.16 2.56 0.5 0.25 2.