- 1、本文档共16页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
计算机学院 计算机学院 多目标优化问题 第1页,共16页,编辑于2022年,星期三 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。 第2页,共16页,编辑于2022年,星期三 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 。 第3页,共16页,编辑于2022年,星期三 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 第4页,共16页,编辑于2022年,星期三 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: 目标空间 Z 为: 第5页,共16页,编辑于2022年,星期三 支配关系 设p和q是Pop中的任意二个个体,我们称p支配 (dominated)q,则必须满足下列二个条件: (1)对所有的子目标,p不比q差。 即 ,其中r为子目标的数量(求极小值) 。 (2)至少存在一个子目标,使p比q好。 即 此时称p为非支配的,q为被支配的。 第6页,共16页,编辑于2022年,星期三 支配关系 其中1、2、3、4代表四个可行解,点4表示的解支配点1、2、3所表示的解,点2、3所表示的解均支配点1表示的解;点2与点3所表示的解彼此不相关。 第7页,共16页,编辑于2022年,星期三 Pareto 边界 非劣解又称为Pareto最优解,多目标优化问题有很多个Pareto最优解,解决多目标优化问题的关键在于获得有这些Pareto最优解组成的集合。Pareto 最优解集在解空间中往往会形成一条边界线(面)。 第8页,共16页,编辑于2022年,星期三 NSGA 非支配排序遗传算法NSGA(Non-dominated Sorting Genetic Algorithm)是由Srinivas和Deb于1995年提出的,这是一种基于Pareto最优概念的遗传算法。 优点:优化目标个数任选,非劣最优解分布均匀,并允许存在多个不同的等价解。 缺点: a)计算复杂度较高,算法复杂度是 (其中N为种群大小,M为目标函数的个数),当种群较大时,计算相当耗时; b)没有精英策略,精英策略能加速算法的执行速度,而且也能在一定程度上确保已经找到的满意解不被丢失; c)需要指定共享半径 第9页,共16页,编辑于2022年,星期三 NSGA-II 2000年,Deb等人针对NSGA的不足之处,提出NSGA的改进算法—带精英策略的非支配集排序遗传算法(NSGA-II)。 1.提出了非支配集排序的方法,以降低算法的计算复杂度。 2.采用拥挤度距离,代替了需要指定共享半径的适应度共享策略,并在快速排序后的同级比较中作为胜出标准,使Pareto域中的个体能扩展到整个Pareto域,并均匀分布。 3. 它采用了新的选择操作:在包含父种群和子种群的交配池中,依照适应度和分布度选择最好的N(种群大小)个个体,从而使解有较好的收敛性。 第10页,共16页,编辑于2022年,星期三 NSGA-II 1.快速的非劣解分类方法: 为了根据个体的非劣解水平将种群分类,必须将每一个体与其他个体进行比较。NSGA-II算法采用快速的非劣解分类方法,计算速度提高。 首先,对每一个解计算两个属性: (1)ni,支配解i的解数目; (2)si,解i所支配解的集合。 找到所有ni=0的解并将其放入F1,称F1是当前非
文档评论(0)