遗传算法and多目标遗传算法.pptxVIP

会计学第1页/共19页CONTENTSCONTENTS321基本概念遗传算法NSGA-Ⅱ第2页/共19页单目标和多目标?单目标优化问题唯一最优目标值多目标优化问题若两个解 , Which is better？第3页/共19页Pareto占优以最小化问题为例，对于两个任意决策变量（可行解集合）：(l)当且仅当时，称A占优于B(2)当且仅当且时，称A弱占优于B()(3)当且仅当A不占优于B，且B不占优于A时，称A与B非支配 。此处是在有多个目标函数的情况下对两个解进行比较的，即如果Pareto占优，则该决策向量的所有目标函数值均应小于另一决策向量对应的各目标函数值。?F第4页/共19页Pareto最优解对于多目标优化问题，通常存在一个解集，这些解之间就全体目标函数而言是无法比较优劣的，其特点是:无法在改进任何目标函数的同时不削弱至少一个其他目标函数。这种解称作非支配解或Pareto最优解.Pareto最优前沿Pareto最优解的集合称为Pareto最优前沿第5页/共19页遗传算法2第6页/共19页问题:1、产生初始种群第7页/共19页2、计算适应度第8页/共19页选择：具有随机性和进化性。 进化性：选择适应度高的个体进入下一代。 随机性：按照概率选择适应度高的进入下一代。第9页/共19页交叉单点交叉第10页/共19页双点交叉变异交叉变异产生新解，防止陷入局部最优第11页/共19页选择迭代优化变异交叉最优解第12页/共19页NSGA-Ⅱ全称：Non-dominated Sorting Genetic Algorithm-Ⅱ 非支配排序遗传算法，目前最流行的多目标进化算法之一。3?NSGA-II 算法的改进：1）提出了快速非支配排序算法，使算法的复杂度由原来的降到 2）采用拥挤度和拥挤度比较算子，克服了 NSGA 中需要人为指定共享参数的缺陷，使得准 Pareto 域中的个体能均匀地扩展到整个 Pareto 域，保证了种群的多样性。 3）引入精英策略，扩大采样空间。将父代种群与其产生的子代种群组合，共同竞争产生下一代种群，有利于保持父代中的优良个体进入下一代，提高了优化结果的精度。并通过对种群中所有个体的分层存放，使得最佳个体不会丢失。第13页/共19页快速非支配排序法—分级?对于每个个体i都设有以下两个参数 和 , 为在种群中支配个体 i 的解个体的数量，为被个体 i 所支配的解个体的集合。① 找到种群中所有 =0的个体，将它们存入当前集合；② 对于当前集合 中的每个个体 j ，考察它所支配的个体集 ，将集合中的每个个体k 的减去 1，即支配个体 k 的解个体数减 1(因为支配个体 k 的个体 j 已经存入当前集 )，如果 - 1=0,则将个体 k 存入另一个集 H ；③ 将作为第一级非支配个体集合， 中的个体是最优的，它只支配个体而不被其他任何个体支配，赋予该集合内个体一个相同的非支配序，然后继续对 H作上述分级操作并赋予相应的非支配序，直到所有的个体都被分级。第14页/共19页拥挤度比较算子 --拥挤度的确定?NSGA-II 中提出了拥挤度的概念：拥挤度表示在种群中给定点的周围个体的密度，用表示。?① 每个点的拥挤度置为 0；② 针对每个目标，对种群进行非支配排序，令边界的两个个体拥挤度为无穷，即；③ 对其他个体进行拥挤度的计算：其中， 表示 i 点的拥挤度，表示 i+1点的第 j 个目标函数值，表示 i -1点的第 j个目标函数值。第15页/共19页拥挤度比较算子--拥挤度比较算子?经过前面的快速非支配排序和拥挤度计算之后，种群中的每个个体i都拥有两个属性：非支配排序决定的非支配序和拥挤度依据这两个属性，可以定义拥挤度比较算子：个体i与另一个个体 j 进行比较，只要下面任意一个条件成立，则个体i获胜。① 如果个体i所处非支配层优于个体 j 所处的非支配层，即② 如果他们有相同的等级，且个体i比个体 j 有一个更大的拥挤距离，即且第一个条件确保被选择的个体属于较优的非劣等级。第二个条件根据它们的拥挤距离选择由于在同一非劣等级而不分胜负的两个个体中位于较不拥挤区域的个体(有较大的拥挤度)。胜出的个体进入下一个操作。第16页/共19页精英策略开始进化代数Gen=1,初始化种群第17页/共19页非支配排序形成非支配集Z?i=i+1i=1进行拥挤度排序,拥挤度大的选入??将放入新父代种群(精英策略)?子代与父代种群合并形成2N大小种群YNN??个数等于NY交叉,变异?新的子代种群Gen=Gen+1NGen=最大代数Y输出可能的解一定能通过编码产生适应度越高，可能性越大一般会选择相邻两项