一种多目标混沌差分进化算法.docxVIP

一种多目标混沌差分进化算法 1 多目标混沌差分进化算法 在科学研究和工程实践中，有许多基于多目标优化的问题。往往，全球目标不是优化的结果，而存在一个非差散排列的解，称为最佳解。对于多目标优化问题，最重要的是寻求解的便利性，并将解排序到各个区域。进化算法广泛应用于多目标优化，尤其是niga、niga、spea等。 差分进化算法(DE)是一种随机的并行直接全局搜索算法,它简单易用,具有稳健性和全局寻优能力,已在多个领域得到广泛的应用.有的学者将DE的功能进行拓展,用于多目标优化问题.Madavan提出了Pareto差分进化方法(PDEA),该方法能很好地维持种群的多样性,但收敛速度较慢.Robic提出了多目标差分进化方法(DEMO),提高了算法的收敛速度,但在一定程度上降低了种群多样性,易使算法过早收敛. 本文将混沌序列应用于DEMO,引入混沌替换操作来提高种群多样性,防止种群的过早收敛,并构建了多目标混沌差分进化算法(CDEMO),用于多目标优化问题的求解. 2 非劣最优解集的组成 以最小化问题为例,多目标优化问题可表示如下: minf(X)=[f1(X),?,fi(X),?,fn(X)],X=(x1,?,xj,?,xm),xjmin≤xj≤xjmax,j=1,2,?,m.(1) 其中:f(X)∈Rn为目标向量,fi(X)(i=1,2,…,n)为第i个目标函数;X为决策向量,xj(