基于精英策略的改进insga-算法.docxVIP

基于精英策略的改进insga-算法 在大多数情况下，对于多目标优化问题，每个子目标可能是冲突的。一个子目标性能的提高可能会导致另一个子目标性能的降低。也就是说，如果同时使用这多个子目标达到最佳值，则只能通过调整和妥协来使每个子目标函数尽可能达到最佳，这是多目标优化问题的精髓。就特定目标优化而言，不同的目标优化元素是不同的。对于所有目标，最佳解决方案的元素是不能比较的。所谓的最佳解决方案意味着，对于一些解不能进一步优化一个或多个目标，并且不能将其他目标排除在外，因此也被称为不完整的解。直到1985年，第一个多目标发展算法（mega）出现了基于向量评估的遗传算法（nga），但这不是基于最合适的pareto概念的发展算法。从1993年到1995年，多目标遗传算法（moga）、非主导遗传算法（nsga）和团队胜利遗传算法（epga）的出现是研究公共概念或多目标发展算法的基础。 非支配排序遗传算法(non-dominated sorting genetic algorithm, NSGA)是由Srinivas和Kalyanmoy于1995年第一次提出的,它首次将非支配排序的概念引入了多目标优化领域,并取得了较好的效果.但是NSGA本身存在许多不足之处,主要在于:1)计算复杂性较高;2)缺乏精英策略;3)需要特别指定共享半径.这使得它在处理高维、多模态等问题时,难以得到满意的结果.因此,Kalyanmoy等人提出了NSGA-Ⅱ解决上述问题. 然而NSGA-Ⅱ算法仍存在一些不足之处,首先,由于NSGA-Ⅱ算法中的精英策略是将父代与子代合并,从二倍的种群数量中选取最好解来保持优良种群,这样容易陷入局部最优解.为此,本文提出了改进的精英策略,来避免早熟.此外,对遗传算子进行了重新设计,在多次试验的基础上采用模拟二进制交叉算子和非均匀变异算子,使算法的性能更加稳定,对进化前期的广泛搜索和进化后期的集中搜索进行了平衡,从而也维护了种群的多样性. 1 决策变量空间x 多目标优化问题一般可描述为下面的数学模型: {miny=f(x)=f1(x),f1(x),?,fp(x)s.t.e(x)=(e1(x),e2(x),?,em(x))≥0x∈(x1,x2,?,xn)∈Xy∈(y1,y2,?,yn)∈Y(1)???????????miny=f(x)=f1(x),f1(x),?,fp(x)s.t.e(x)=(e1(x),e2(x),?,em(x))≥0x∈(x1,x2,?,xn)∈Xy∈(y1,y2,?,yn)∈Y(1) 式中:x—决策变量向量;y—目标函数向量;X—决策变量空间;Y—目标函数空间.约束e(x)≥0定义了可行域,可行域Xf定义为:e(x)满足约束条件的决策变量x的集合Xf={x∈X|e(x)≥0}. 定义1Pareto支配关系 设p和q是进化种群中的任意两个不同的个体,若满足以下条件,则称p支配q. 1 每个子目标p不小于q，即fkpfkq (k=1,2,…,r); 2 pareto优化解及决策变量xxf的关系 其中,r为子目标的数量.此时称p为非支配的,q为被支配的.表示为p?q,“?”表示支配的关系. 定义2Pareto优化解及Pareto优化曲面(线) 决策变量x∈Xf相对于集合A?Xf被称为是非支配的,当且仅当,a∈A:a?x,如果相对于可行域Xf决策变量x是非支配的,则称x是Pareto优化解.所有的Pareto优化解构成了Pareto优化解集,与之相对应的目标函数向量构成了Pareto优化曲面(线). 2 快速非支配排序法分散性估计 NSGA-Ⅱ算法在NSGA基础上,主要做了下面几点改进:(1)运用快速非支配排序法,使计算复杂度由O(MN3)降为O(MN2);(2)采用拥挤度计算取代指定共享参数来进行分散性估计;(3)引入精英策略,防止优良解的丢失. 2.1 有被个体p支配的个体的分级 每个个体需要保存两个量: 1)支配个数ni.该量是在可行解空间中可以支配个体P的所有个体的数量. 2)被支配个体集合Si.该量是可行解空间中所有被个体P支配的个体组成的集合. 首先,找到群体中所有ni=0的个体,将它们存入当前集F1,然后对于当前集F1中的每个个体j,考察它所支配的个体集Si,将集Si中的每个个体j的支配它的个体数量nj-1(因为支配个体j的个体已经存入了当前集F1),如果个体j的支配它的个体数量nj=0,则将个体j存入另一个集H. 最后,将得到的当前集F1作为第一级非支配个体集.继续对集H进行上述的分级操作,直到所有个体均被分级为止. 2.2 nsga-算法 定义拥挤度为在种群中给定点周围个体的密度,用id表示,它指出了在个体周围包含个体i本身但是不包含其他个体的最小的长方形,如图1. 用L表示个体密度集合,l=|L|.l为L中的