約束優(yōu)化和多目標優(yōu)化的進化算法研究.pdf

1、現(xiàn)實世界中存在大量的優(yōu)化問題，特別是在科學研究和工程實踐領域，而這些問題往往都帶有約束條件，目有時優(yōu)化問題的目標還不止一個。由于問題自身的不同特點，運籌學中的傳統(tǒng)方法已經難以獨立解決。進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)化問題和多目標優(yōu)化問題的求解。因此，進化優(yōu)化研究受到國內外研究者們越來越多的關注，成為目前進化計算領域的研究熱點。 本論文旨在通過對進化算法進行深入的探索和研究，面向單目標約束優(yōu)化、多目標

2、優(yōu)化和多目標約束優(yōu)化設計高效的進化算法與策略，并進行相應的理論和實驗分析。具體而言，本論文的主要研究工作包括以下幾個方面： (1) 針對單目標約束優(yōu)化，為進一步提高對可行解空間進行精確偏向搜索的能力，給出了精確偏向搜索的三個前提條件，并結合隨機排序方法提出了一種新的搜索偏向選擇策略，以進化策略為基礎進行了算法實現(xiàn)。為使進化算法獲得可行的全局最優(yōu)解，分析了在進化過程中如何對待好的不可行解的問題，通過分析隨機排序中比較概率對可行解最

3、終位置的影響，提出了一種動態(tài)隨機選擇策略，并以多個體差分進化為框架進行了算法實現(xiàn)，然后討論了進化過程中比較概率的調整問題。實驗結果分別表明了這兩種策略的有效性。 (2) 針對多目標優(yōu)化，通過對模擬二進制交叉算子以及進化策略中的變異和重組算子的對比分析，為穩(wěn)態(tài)多目標進化算法ε-MOEA設計了一種正態(tài)分布交叉算子，該算子既具有與模擬二進制交叉算子相當的開發(fā)能力，又具有更強的空間搜索能力，實驗結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量。通過分析算法ε-MOEA中參數ε與非支配解集規(guī)模之間的關系，提出了一種新的自適應調整參數ε的策略，并應用于該算法中，實驗結果表明了該策略的有效性；另外，討論了自適應調整參數ε引起的遺傳漂移問題，指出了兩種情形下的遺傳漂移，并給出了相應的解決思路與方案。通過引入歸檔集合，提出了一種參數ε自適應的穩(wěn)態(tài)ε-MOEA算法，并對該算法的穩(wěn)態(tài)性進行了理論證明；為降低算法的計算量，通過對歸檔集合設置規(guī)模上限并采用先進先出的史新策

5、略，存實驗中設計了一種近似穩(wěn)態(tài)算法，并進行了相應的實驗比較。 (3) 針對多目標約束優(yōu)化，為提高邊界搜索能力，提出了兩種在多目標差分進化中選擇當前最優(yōu)解的模式。為獲得了分布性更好的Pareto前沿，借鑒單目標約束優(yōu)化中Runarsson與Yao的搜索偏向策略，將增強邊界搜索的兩個模式分別應用于進化多目標約束優(yōu)化的搜索過程中，提出了一種混合算法DE-MOEA求解多目標約束優(yōu)化問題，并在12個常用的測試函數上進行了實驗。實驗結果和分

6、析表明，與求解多目標約束優(yōu)化問題的經典算法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，對混合算法DE-MOEA的參數設置也進行了分析和討論。本論文通過對進化約束優(yōu)化和進化多目標優(yōu)化的研究，設計了面向單目標約束優(yōu)化的搜索偏向選擇策略和動態(tài)隨機選擇策略、面向多目標優(yōu)化的正態(tài)分布交叉算子和參數ε自適應調整策略及參數ε自適應的穩(wěn)態(tài)ε-MOEA算法、面向多目標約束優(yōu)化的混合差分進化和遺