多目标优化问题.pptxVIP

多目标优化的国内外研究现状1.传统的方法：权重法，约束法，混合法，目标规划法，最大最小法等。特点：将多个目标聚合成一个函数。缺点：各目标加权值的分配带有较大的主观性；优化过程中各目标的优度进展不可操作等；在处理高维数、多模态、非线性等复杂问题上存在许多不足。 多目标优化的国内外研究现状 遗传算法是模拟自然界生物进化过程与机制，求解优化与搜索问题的一类自组织、自适应的人工智能技术。由于遗传算法是对整个群体进行的进化运算操作，它着眼于个体的集合，而多目标优化问题的非劣解一般也是一个集合，遗传算法的这个特性表明遗传算法非常适合求解多目标优化问题。近年来，遗传算法应用于多目标优化领域 。多目标优化的国内外研究现状2.多目标优化遗传算法：VEGA，HLGA，FFGA，MOGA，NPGA，NSGA，SPEA，NSGA-II，SPEA2，PAES 缺点： 1.多目标遗传算法的局部搜索能力较差 2.求解过程依赖于染色体的表示形式，即与个体 编码方式的关系很密切 3.非劣最优解域收敛性分析困难 4.参数较多，如果设置不恰当会导致算法运行的性能下降多目标问题的定义多目标优化问题的定义为：在可行域中确定由决策变量组成的向量，使得一组相互冲突的目标函数值尽量同时达到极小。设有 q 个优化目标，且这 q个优化目标可能是相互冲突的。其数学表达式为： 其中， 为不等式约束条件。可行域 S 为：