多目标演化算法研究综述.docxVIP

多目标演化算法研究综述 1 多目标优化方法 人类对自然的改造和设计过程中通常反映了最大效率和最小成本的基本优化原则。最大化效益、最小化成本实质上是一个多目标的优化问题(MOP)。效益可能包括多种效益,如经济效益、政治效益与社会效益等;成本或损失也可能包括生产成本与非生产成本,或与此相关联的其他目标如环境污染等方面损失。航天器总体设计中的有效载荷、射程、推力等指标参数的综合是一个典型的多目标的优化问题。控制工程中控制系统的稳、准、快等时域指标与稳定域度、系统带宽等频域特性的综合问题也是一个多目标工程优化设计问题。此外还有社会发展与国民经济的中长远发展计划的优化与决策问题等。一般说来,科学与工程实践中的许多优化问题大都是多目标的优化与决策问题。 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。但是,这样做存在几大缺点:a.不同性质的目标之间单位不一致,不易作比较;b.各目标加权值的分配带有较大的主观性;c.优化目标仅为各目标的加权和,优化过程中各目标的优度进展不可操作;d.各目标之间通过决策变量相互制约,往往存在相互矛盾的目标,致使加权目标函数的拓扑结构十分复杂。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,因此,有必要研究高效实用的多目标优化与决策的算法及理论。 多目标优化/决策问题不存在唯一的全局最优解,而是存在多个最优解的集合。多目标问题最优解集中的元素就全体目标而言是不可比较的,一般称为Pareto最优解集。所谓Pareto最优解集,是对于一些解不可能进一步优化某一个或几个目标而其他目标不至于劣化,因此也称为非劣最优解集。Pareto最优概念是建立在集合论基础上对多目标解的一种向量评估方式。而传统的数学规划法与模拟退火算法是以单点搜索为特征的串行算法,不可能利用Pareto最优概念对解进行评估。因此,Pareto最优概念虽然提出来已百年有余,但却仍无传统算法意义上的相关算法。基于种群操作的演化算法可以隐并行地搜索解空间的多个解,并能利用不同解之间的相似性来提高其并发求解问题效率,如果与Pareto最优概念相结合,有可能产生真正基于Pareto最优概念的多目标优化的演化算法,实现对非劣最优解集的搜索。 虽然Rosenberg曾提到可用基于遗传的搜索算法来求解多目标的优化问题,但直到1985年才出现基于向量评估的遗传算法(VEGA),这是第一个多目标演化算法(MOEA),但仍然不是基于Pareto最优概念的演化算法。1990年后,相继提出了不同的多目标演化算法。1993年和1994年,多目标遗传算法(MOGA)、非劣性分层遗传算法(NSGA)、小组决胜遗传算法(NPGA)已成为基于Pareto最优概念的多目标演化算法研究工作的奠基石。此外,还存在一些不基于Pareto最优概念的多目标演化算法,如多性别遗传算法、目标向量方法以及最大最小方法等。多目标演化算法已用于燃气涡轮泵控制器设计、航空器结构设计以及汽车发动机优化设计等等,因此,多目标演化算法研究直接受到实际工程问题的推动。尽管如此,多目标优化与决策问题的演化计算技术中待研究的问题还很多,如适应值赋值方法、选种配对机制、多目标演化种群动力学行为及其稳定性分析、非劣最优解域收敛性分析、种群更新终止条件以及实际多目标优化问题的演化求解等,都是目前的研究热点。 实际的多目标问题不仅是一个优化问题,而且最后往往归结为一个决策问题。运筹学研究领域曾采用数学规划的多目标优化技术对与设计领域紧密相关的多目标决策问题(MODM)作过一些研究,这些设计问题的共同特征由三方面组成:一组定量的目标函数,一组完整定义的设计约束,以及一个可在诸目标之间作权衡的操作过程。 2 最优解的性质 最小化与最大化问题可以相互转化,因此,仅以无约束最小化多目标问题为研究对象。 一个多目标问题可以表示如下,其中决策向量x∈Rm,目标向量y∈Rn: miny=f(x)=(f1(x),f2(x),?,fn(x))。 定义1 优劣性 (dominance / inferiority) 如果目标向量解u= (u1,u2,…,un)部分小于目标向量解v= (v1,v2,…,vn) ,也就是?i∈{1,2,…,n},ui≤vi∧?j∈{1,2,…,n},ujvj,则称u优于v,记为upv。 反之,如果目标向量解u= (u1,u2,…,un)部分大于目标向量解v= (v1,v2, …,vn) ,也就是?i∈{1,2,…,n},ui≥vj∧?j∈{1,2,…,n},ujvj,则称u劣于v,记为upv。 定义2 非劣最优解 (Pareto optimal) 只有不存在决策变量xv∈Rn, 使得相应的目标向量解v=f(xv∈Rn) = (v1,v2, …,vn) 优于目