多目标问题及多目标进化算法.pptVIP

3 一种新颖的多目标算法实例 3.1 粒子群优化算法介绍 3.2 一种多目标粒子群优化算法 3.3 试验结果评价 主题三 粒子群算法(Particle Swarm Optimization,PSO)是由Kennedy和Eberhart(1995)提出的,他们最初的灵感来源于对鸟群飞行的观察。 粒子群算法容易实现，并且没有许多参数需要设置，收敛速度开，相对于遗传算法等其进化算法更简单有效。 3.1 粒子群优化算法介绍 Step1: 初时化粒子群的速度和位置 Step2: 适应值评价 Step3: 更形粒子群的速度和位置，从而生成下一代粒子群 Step4: 如果没有达到终止条件转到Step2。 3.1 粒子群优化算法介绍 ◆ PSO种群中任一粒i的移动速度 ◆ PSO种群中任一粒子i的位置 3.1 粒子群优化算法介绍 算法使用一个存储非劣解的精英档案，该档案有两个作用。首先，它存储和更新粒子群每轮迭代搜索到的所有非劣解集，在迭代结束后，档案中的成员即为算法整个生命期搜索到的非劣解集。其次，档案通过对当前非劣解前沿的近似估计，从而辅助算法从档案中选择粒子速度更新的全局极值。后者提供了选择压力，通常促使粒子向多目标问题的全局非劣解前沿方向搜索。如果没有这个过程，算法就不能分辨好的和坏的解点，导致粒子在目标搜索空间中漫无目的的飞行。 3.2 一种多目标粒子群优化算法实例 3.2.1 自适应角度分区方法 提出了一种自适应角度分区算法，该方法通过计算档案中成员在目标空间中的范围，调整角度分区以覆盖档案中的所有成员。通过角度分区对目标空间中不同区域的拥挤程度进行动态跟踪，以维护外部档案的空间分布性。 3.2 一种多目标粒子群优化算法实例 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 演讲主题 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 演讲主题 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 主题一 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。 1.1 什么是多目标问题 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, []) 工厂生产两种型号汽车，其中y(1)代表利润，y(2)代表加班时间，状态变量x1,x2是A型车在正常和加班两种情况下的产量，x3,x4是B型车在正常和加班两种情况下的产量。 数学定义： 1.1 什么是多目标问题 Where 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。 1.2 多目标问题的特点 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 怎样才算多目标问题的最优解 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。 1.3.1 由人来判断（非Pareto机制） 多目标问题最优解具有Pareto-optimal 特性 什