基于遗传算法的多目标优化问题.docxVIP

基于遗传算法的多目标优化问题 1 基于pareto最优的多目标遗传算法 现在，通过进化方法解决多目标优化问题已成为研究的热点。一般来说，多目标问题的最佳解不是一个解，而是一组相互无法比较的最优解的集合，这对传统的优化方法提出了挑战。然而，在许多优化方法中，由于进化算法的并行性，每个操作都可以得到一组解，因此可以快速有效地解决多目标问题。 Schaffer于1985年提出了基于向量评估的遗传算法(VEGA),在每一代中,它基于各目标函数的计算,用适应度比例法产生一定数目的子种群,然后将其混合起来形成新的一代,继续执行交叉和变异的遗传算法.但VEGA本质上仍然是加权和的方法.此后,又出现了许多成功的多目标进化方法.Fonseca等提出了著名的多目标遗传算法(MOGA),它主要利用Pareto最优概念,将优于某个体的个体数量作为该个体的适应度值,并采用自适应小生境技术和受限杂交技术来提高种群多样性.但该算法受小生境技术影响,并且适应度的计算随着种群规模的扩大将非常耗时.Srinivas等提出了基于非控分类的多目标遗传算法(NSGA),但其中非控分类算法复杂度较高.Leung提出了用多个适应度函数,从多个方向对解空间进行搜索,其中每个适应度函数都是单个目标的加权和,通过实验设计方法选择恰当的权值.它能找到分布一致的Pareto最优解,但权值的选择非常困难.Zitzler等提出的SPEA方