多目标问题及多目标进化算法.pptVIP

多目标问题及多目标进化算法研究基于粒子群的一种多目标优化算法 多目标优化问题 多目标进化算法 多目标粒子群优化算法实例 1 多目标问题(Multi-Objective Problem) 1.1 什么是多目标问题 1.2 多目标问题的特点 1.3 怎样才算多目标问题的最优解 1.1 什么是多目标问题 简单的概述： 在两个及两个以上的函数集T中，每个函数的自变量矢量X1必须与其它函数的自变量矢量X2有交集，优化这个函数集T,使得T中所有的函数集尽可能的极大或极小，即为多目标问题的优化。 工厂生产车辆优化问题 % fun_optim.m function [y]= fun_optim(x) y=zeros(1,2); y(1)= -(100*x(1)+90*x(2)+80*x(3)+70*x(4)); y(2)=3*x(2)+2*x(4); % factory_goal.m A=[ -1 -1 0 0; 0 0 -1 -1; 3 0 2 0; 0 3 0 2]; b=[-30 -30 120 48]; lb=zeros(1,4); x0=[20,10,30,0]; y0=[10000, 40]; x_opt=[18 12 33 0]; [x fval]=fgoalattain(@fun_optim, x0, y0, [1 2e-4], A, b, [], [], lb, []) 1.1 什么是多目标问题 数学定义： 1.2 多目标问题的特点 具有多个目标函数。 各个函数之间在最优化方向上存在冲突。 往往需要人的参与。 目标函数集要么是求极大，要么是求极小，两者只能取其一。 1.3 怎样才算多目标问题的最优解 1.3.1 由人来判断（非Pareto机制） 基本原则：通过加入决策者判断，缩小多目标问题有效解集的范围。 1.3.2 不由人来判断(Pareto optimality) 基本原则：多目标问题优化解的自身特性来搜索多目标问题有效解集的范围。 1.3.1 由人来判断（非Pareto机制） 加权: 由决策者决定每个目标函数不同的权重因子，将所有的目标函数整合为一个目标函数。 目标规划：由决策者确定每个目标函数所能达到的目标值，然后将这些值作为附加的约束整合进问题中，从而优化目标转换为最大或最小化目标值和目标函数值之间的绝对偏差。 1.3.2 不由人来判断(Pareto optimality) 多目标问题最优解具有Pareto-optimal 特性 什么是Pareto-optimal？ Pareto支配(Pareto Dominance) Pareto最优解(Pareto optimal solutions) Pareto最优前沿(Pareto optimal front)  Pareto支配(Pareto Dominance)  数学定义： 不失为一般性，仅考虑最小化。设u=(u1,….uk)和v=(v1,…,vk)为两个自变量矢量，那么u Pareto 支配v当且仅当ui =vi ,i=1,…,k ，并且至少有一项ui vi.  Pareto支配(Pareto Dominance)   Pareto最优解(Pareto optimal solutions)  数学定义： 多目标问题的一个矢量解x是Pareto 最优解当且仅当不存在另一个矢量解y,使得f(y)Pareto支配 f(x). 所有的Pareto Optimal 解称为Pareto Optimal 解集。  Pareto最优前沿(Pareto optimal front)  数学定义： 对于一个多目标问题的Pareto 最优解矢量X,则Y=(f1(X)),…,fk(X))为X的Pareto前沿.所有的Pareto 最优前沿称为Pareto 最优前沿集。 Pareto最优前沿(Pareto optimal front) 多目标进化算法(Multi-Objective Evolutionary algorithm) 2.1 进化算法求解多目标优化问题的优势 2.2 多目标进化算法的通用算法过程 2.3 多目标进化算法关键研究领域 每轮迭代可以找到多个Pareto近似最优解 迄今为止还没有找到其他方法比EAs更能有效地解决MOP问题。 在许多复杂应用问题中搜索最优解还存在一定的困难。 输入：基于多目标函数自变量矢量编