約束優(yōu)化和多目標(biāo)優(yōu)化的進(jìn)化算法研究.pdf

1、現(xiàn)實(shí)世界中存在大量的優(yōu)化問(wèn)題，特別是在科學(xué)研究和工程實(shí)踐領(lǐng)域，而這些問(wèn)題往往都帶有約束條件，目有時(shí)優(yōu)化問(wèn)題的目標(biāo)還不止一個(gè)。由于問(wèn)題自身的不同特點(diǎn)，運(yùn)籌學(xué)中的傳統(tǒng)方法已經(jīng)難以獨(dú)立解決。進(jìn)化算法作為一種基于群體搜索的全局優(yōu)化方法，十分適合于約束優(yōu)化問(wèn)題和多目標(biāo)優(yōu)化問(wèn)題的求解。因此，進(jìn)化優(yōu)化研究受到國(guó)內(nèi)外研究者們?cè)絹?lái)越多的關(guān)注，成為目前進(jìn)化計(jì)算領(lǐng)域的研究熱點(diǎn)。 本論文旨在通過(guò)對(duì)進(jìn)化算法進(jìn)行深入的探索和研究，面向單目標(biāo)約束優(yōu)化、多目標(biāo)

2、優(yōu)化和多目標(biāo)約束優(yōu)化設(shè)計(jì)高效的進(jìn)化算法與策略，并進(jìn)行相應(yīng)的理論和實(shí)驗(yàn)分析。具體而言，本論文的主要研究工作包括以下幾個(gè)方面： (1) 針對(duì)單目標(biāo)約束優(yōu)化，為進(jìn)一步提高對(duì)可行解空間進(jìn)行精確偏向搜索的能力，給出了精確偏向搜索的三個(gè)前提條件，并結(jié)合隨機(jī)排序方法提出了一種新的搜索偏向選擇策略，以進(jìn)化策略為基礎(chǔ)進(jìn)行了算法實(shí)現(xiàn)。為使進(jìn)化算法獲得可行的全局最優(yōu)解，分析了在進(jìn)化過(guò)程中如何對(duì)待好的不可行解的問(wèn)題，通過(guò)分析隨機(jī)排序中比較概率對(duì)可行解最

3、終位置的影響，提出了一種動(dòng)態(tài)隨機(jī)選擇策略，并以多個(gè)體差分進(jìn)化為框架進(jìn)行了算法實(shí)現(xiàn)，然后討論了進(jìn)化過(guò)程中比較概率的調(diào)整問(wèn)題。實(shí)驗(yàn)結(jié)果分別表明了這兩種策略的有效性。 (2) 針對(duì)多目標(biāo)優(yōu)化，通過(guò)對(duì)模擬二進(jìn)制交叉算子以及進(jìn)化策略中的變異和重組算子的對(duì)比分析，為穩(wěn)態(tài)多目標(biāo)進(jìn)化算法ε-MOEA設(shè)計(jì)了一種正態(tài)分布交叉算子，該算子既具有與模擬二進(jìn)制交叉算子相當(dāng)?shù)拈_(kāi)發(fā)能力，又具有更強(qiáng)的空間搜索能力，實(shí)驗(yàn)結(jié)果表明該算子明顯提高了算法ε-MOEA獲

4、得的非支配解集的質(zhì)量。通過(guò)分析算法ε-MOEA中參數(shù)ε與非支配解集規(guī)模之間的關(guān)系，提出了一種新的自適應(yīng)調(diào)整參數(shù)ε的策略，并應(yīng)用于該算法中，實(shí)驗(yàn)結(jié)果表明了該策略的有效性；另外，討論了自適應(yīng)調(diào)整參數(shù)ε引起的遺傳漂移問(wèn)題，指出了兩種情形下的遺傳漂移，并給出了相應(yīng)的解決思路與方案。通過(guò)引入歸檔集合，提出了一種參數(shù)ε自適應(yīng)的穩(wěn)態(tài)ε-MOEA算法，并對(duì)該算法的穩(wěn)態(tài)性進(jìn)行了理論證明；為降低算法的計(jì)算量，通過(guò)對(duì)歸檔集合設(shè)置規(guī)模上限并采用先進(jìn)先出的史新策

5、略，存實(shí)驗(yàn)中設(shè)計(jì)了一種近似穩(wěn)態(tài)算法，并進(jìn)行了相應(yīng)的實(shí)驗(yàn)比較。 (3) 針對(duì)多目標(biāo)約束優(yōu)化，為提高邊界搜索能力，提出了兩種在多目標(biāo)差分進(jìn)化中選擇當(dāng)前最優(yōu)解的模式。為獲得了分布性更好的Pareto前沿，借鑒單目標(biāo)約束優(yōu)化中Runarsson與Yao的搜索偏向策略，將增強(qiáng)邊界搜索的兩個(gè)模式分別應(yīng)用于進(jìn)化多目標(biāo)約束優(yōu)化的搜索過(guò)程中，提出了一種混合算法DE-MOEA求解多目標(biāo)約束優(yōu)化問(wèn)題，并在12個(gè)常用的測(cè)試函數(shù)上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果和分

6、析表明，與求解多目標(biāo)約束優(yōu)化問(wèn)題的經(jīng)典算法CNSGA-Ⅱ相比，混合算法DE-MOEA具有更好的性能，特別是存扶得的Pareto前沿的分布性上。另外，對(duì)混合算法DE-MOEA的參數(shù)設(shè)置也進(jìn)行了分析和討論。本論文通過(guò)對(duì)進(jìn)化約束優(yōu)化和進(jìn)化多目標(biāo)優(yōu)化的研究，設(shè)計(jì)了面向單目標(biāo)約束優(yōu)化的搜索偏向選擇策略和動(dòng)態(tài)隨機(jī)選擇策略、面向多目標(biāo)優(yōu)化的正態(tài)分布交叉算子和參數(shù)ε自適應(yīng)調(diào)整策略及參數(shù)ε自適應(yīng)的穩(wěn)態(tài)ε-MOEA算法、面向多目標(biāo)約束優(yōu)化的混合差分進(jìn)化和遺