基于pareo最优的多目标演化算法.docxVIP

基于pareo最优的多目标演化算法 1. 多目标优化问题的概念 进化算法作为一种渐进搜索算法，在多目标优化领域得到了成功应用，并发展成为一个相对较热的研究方向。 最优化问题是工程实践和科学研究中主要的问题形式之一, 其中, 仅有一个目标函数的最优化问题称为单目标优化问题, 目标函数超过一个并且需要同时处理的最优化问题称为多目标优化问题 (multi objectiveoptimization problems, 简称MOPs) 。对于多目标优化问题, 一个解对于某个目标来说可能是较好的, 而对于其他目标来讲可能是较差的, 因此, 存在一个折衷解的集合, 称为Pareto最优解集 (Pareto optimal set) 或非支配解集 (nondominated set) 。起初, 多目标优化问题往往通过加权等方式转化为单目标问题, 然后用数学规划的方法来求解, 每次只能得到一种权值情况下的最优解。同时, 由于多目标优化问题的目标函数和约束函数可能是非线性、不可微或不连续的, 传统的数学规划方法往往效率较低, 且它们对于权重值或目标给定的次序较敏感。进化算法通过在代与代之间维持由潜在解组成的种群来实现全局搜索, 这种从种群到种群的方法对于搜索多目标优化问题的Pareto最优解集是很有用的。 2. 约束定义 多目标优化问题又称为多标准优化问题。不失一般性, 一个具有n个决策变量, m个目标变量的多目标优化问题可表述为 其中, x= (x1…xn) ∈X?Rn为n维的决策矢量, X为n维的决策空间, y= (y1…ym) ∈Y奂Rm为m维目标矢量, Y为m微的目标空间。目标函数F (x) 定义了m个由决策空间向目标空间的映射函数gi(x) ≤0 (i=1, 2, …, q) 定义了q个不等式约束;hj(x) =0, (j=1, 2, …, p) 定义了p个等式约束。在此基础上, 给出以下几个重要的定义。 定义1 (可行解) 对于某个x∈X, 如果满足 (1) 中的约束条件gi(x) ≤0, (i=1, 2, …, q) 和hj(x) =0, (j=1, 2, …, p) , 则称x为可行解。 定义2 (可行解集合) 由X中的所有的可行解组成的集合称为可行解集合, 记为Xf且Xf?X。 定义3 (Pareto占优) 假设XA, XB∈Xf是式 (1) 所示多目标优化问题的两个可行解, 则称与XB相比, XA是Pareto占优的, 当且仅当 ?i=1, 2, …, m, fi(xA) ≤fi(xB) ∧?j=1, 2, …m, fj(xA) fj(xB) 记作xAxB, 也称为XA支配XB。 定义4 (Pareto最优解) 一个解x*∈Xf被称为Pareto最优解 (或非支配解) , 当且仅当满足如下条件: 定义5 (Pareto最优解集) Pareto最优解集是所有Pareto最优解的集合, 定义如下: 定义6 (Pareto前沿面) Pareto最优解集P*中的所有Pareto最优解对应的目标矢量组成的曲面称为Pareto前沿面PF*: 3. 主要算法是实现多目标优化的多目标优化 3.1 适应度共享机制的建立 第一代进化多目标优化算法以Goldberg的建议为萌芽。1989年, Goldberg建议用非支配排序和小生境技术来解决多目标优化问题。非支配排序的过程为:对当前种群中的非支配个体分配等级1, 并将其从竞争中移去;然后从当前种群中选出非支配个体, 并对其分配等级2, 该过程持续到种群中所有个体都分配到次序后结束。小生境技术用来保持种群多样性, 防止早熟。Goldberg虽然没有把他的思想具体实施到进化多目标优化中, 但是其思想对以后的学者来说, 具有启发意义。随后, 一些学者基于这种思想提出了MOGA, NSGA和NPGA。 Fonseca和Fleming在1993年提出了MOGA。该方法对每个个体划分等级, 所有非支配个体的等级定义为1, 其他个体的等级为支配它的个体数目加1。具有相同等级的个体用适应度共享机制进行选择。其适应度分配方式按如下方式执行:首先, 种群按照等级排序, 然后, 对所有个体分配适应度, 方法是用Goldberg提出的线性或非线性插值的方法来分配, 具有相同等级个体的适应度值是一样的。通过适应度共享机制采用随机采样进行选择。MOGA过于依赖共享函数的选择, 而且可能产生较大的选择压力, 从而导致未成熟收敛。 NSGA也是基于Goldberg的非支配排序的思想设计的。非支配解首先被确定, 然后被分配一个很大的虚拟适应度值。为了保持种群的多样性, 这些非支配解用它们的虚拟适应度值进行共享。这些非支配个体暂时不予考虑。从余下的种群中确定第二批非支配个体, 然后它们被分配一个比先前非支配个体共享后最小适应度值