基于遺傳算法的優(yōu)化研究.pdf

1、自1960年以來，人們對于模擬生物進化行為以及由此開發(fā)的針對復雜優(yōu)化問題的有效算法產(chǎn)生了濃厚的興趣。遺傳算法作為一種強有力的隨機搜索和優(yōu)化方法，廣泛應用于工業(yè)工程優(yōu)化領域并產(chǎn)生了深遠影響。旅行商問題(TSP)是一個典型的組合優(yōu)化問題，求解起來非常困難，常被作為遺傳算法的應用測試實例。然而以往研究很少考慮到它的動態(tài)屬性，一旦將它置于一個動態(tài)環(huán)境，現(xiàn)存的算法將不再適用。近年來，動態(tài)旅行商問題(DTSP)越來越吸引廣大研究者的注意力，DTSP

2、的研究也有著非常重要的實際意義。優(yōu)化領域還存在一類更加復雜的優(yōu)化問題，這類問題需要處理多個目標并且這些目標常常是相互沖突的。簡單地將多個目標通過加權處理轉(zhuǎn)換為單目標問題遠不能滿足決策者的要求，因此設計求解多目標優(yōu)化問題的有效算法是非常有現(xiàn)實意義的。遺傳算法在多目標優(yōu)化方面也體現(xiàn)著它的魅力并獲得了廣泛應用。
　　 本文主要針對基于遺傳算法的優(yōu)化問題進行研究，具體說來，包括TSP 求解和多目標優(yōu)化兩個方面。對于TSP 求解，本文主要

3、做了下面的研究工作：
　　 1.對反序雜交算子進行改進?？紤]到反序操作的高度隨機性，重組過程最終并不一定能得到比上一代更有優(yōu)勢的個體。為此我們將最優(yōu)保留機制應用到反序雜交算子中，稱為記憶機制，用于保留當次反序過程中出現(xiàn)的最好的基因序列，進而一步一步逼近最優(yōu)解。實驗表明我們的改進算子能在加快收斂速度的同時和提高解的質(zhì)量。
　　 2.對于一類動態(tài)環(huán)境下的旅行商問題建模和求解。對生活中出現(xiàn)的上下班高峰期交通阻塞的城市交通情況進

4、行高斯建模，使得隨機被阻塞的邊的數(shù)目在遺傳算法進化中期達到最大。進而設計了該環(huán)境下的響應算法，該算法能利用已有最優(yōu)路徑中未被破壞的短邊對動態(tài)變化情況做出快速反應。同時為了使算法更有效，我們將改進的反序雜交算子用于優(yōu)化中。實驗表明算法對解這一類動態(tài)旅行商問題很有效。
　　 本文在多目標優(yōu)化方面的主要研究工作有兩點：
　　 1.提出用莊家法則來構(gòu)造非支配集。在多目標遺傳算法中，構(gòu)造非支配集的時間耗費是非常大的，而這種耗費主要

5、用于個體比較。莊家法則不同于已有構(gòu)造非支配集的方法，它做為一種非回朔方法可以有效減少個體比較次數(shù)，從而提高算法效率。
　　 2.提出了基于密度的多目標遺傳算法（DMOGA）。對多種算法進行分析發(fā)現(xiàn)，密度是維護種群分布性的一個非常重要的因素。DMOGA 考慮整個種群個體之間的影響，用于計算個體密度，準確反映外部集的分布情況，得到一個時間復雜度為O(n2)的優(yōu)秀的分布性保持方法。并且為了提高算法效率，DMOGA采用莊家法則來構(gòu)造非支