多目标优化-PPT幻灯片.pptVIP

实际应用在现实工程中, 很多问题都是多目标优化问题,需要同时满足两个或者更多的目标要求, 而且要同时满足的多个目标之间往往互相冲突、此消彼长. 因此, 在多目标优化问题中, 寻求单一最优解是不现实的, 而是产生一组可选的折中解集, 由决策过程在可选解集中作出最终的选择. 解决方案传统的方案基于进化算法方案 传统方案传统的多目标优化方法往往将其转化为各目标之加权和，然后采用单目标的优化技术。基于传统数学规划原理的多目标优化方法在实际工程优化问题中往往表现出一定的脆弱性。 基于进化算法方案基于种群的智能优化方法具有较高的并行性, 尤其在求解多目标问题时, 一次运行可以求得多个Pareto 最优解, 具有单目标优化方法不可比拟的优势.粒子群优化、蚁群算法、人工免疫系统、分布估计算法、协同进化算法、密母算法、文化进化算法等一些新的进化范例陆续被用于求解多目标优化问题。 四类典型算法四类算法是近两年在进化计算领域的顶级期刊《IEEE Transactions on Evolutionary Computation》或《Evolutionary Computation》上发表的成果,代表着当今进多目标优化的发展潮流和趋势. 基于粒子群优化的多目标优基于人工免疫系统的多目标优化基于分布估计算法的多目标优化基于分解的多目标进化算法 基于进化算法方案的优点进化算法并行地处理一组可能的解(群体) , 不需要分别运算多次便能在一次算法过程中找到Pareto最优集中的多个解进化算法不局限于Pareto 前沿的形状和连续性, 易于处理不连续的、凹形的Pareto 前沿, 这在数学规划技术中是两个非常重要的问题. 基于PSO 多目标优化算法基于PSO的多目标优化算法不像遗传算法那样已经相对比较成熟，它仍停留于研究的初步阶段。它的理论基础的研究还比较贫乏，研究者们还不能对PSO的工作机理给出恰当的数学解释。但是凭借该算法简单容易实现同时又有深刻的智能背景，既适合科学研究又特别适合工程应用的优势，开拓新的PSO算法的应用领域是一项有价值的工作。 基于PSO的多目标优化算法Li等人把粒子群优化与 NSGA-II 结合起来，把局部搜索算子定义为外部种群和内部种群的相互作用,并引入了一个扰动算子以保持多样性。Coello Coello等人提出了 MOPSO算法。Abido 等人提出了两阶段非占优多目标粒子群进化算法,在当前 Pareto 前沿面执行两阶段的局部搜索和全局搜索。Koduru 等人提出了结合粒子群和模糊ε占优的混合算法。 MOPSO 算法Coello Coello 提出的 MOPSO 算法是用粒子群优化解决多目标优化问题的非常经典的算法.MOPSO 的创新主要有两点:一是采用了自适应网格的机制来保存外部种群。二对于多目标优化问题,不仅要考虑解的收敛性,还要考虑解分布的均匀性和宽广性,所以,为了保证最终解的多样性,引入了新的变异策略,对粒子分布的区域进行变异,且变异概率随着进化代数的增加而逐渐减小.