基于生物地理算法的多目標優(yōu)化理論與應(yīng)用研究.pdf

1、生物地理學優(yōu)化算法是以生物地理學模型為基礎(chǔ)的群體搜索算法,由于其獨特的基于群體信息共享的遷移機制,使其具有較好的群體信息利用能力,進而在單目標優(yōu)化問題和實際的應(yīng)用中表現(xiàn)出了獨特的優(yōu)勢。本文將生物地理學優(yōu)化算法拓展到多目標優(yōu)化領(lǐng)域,來探討其對于多目標優(yōu)化的可行性和有效性。首先,針對多目標優(yōu)化問題,提出基于生物地理學的多目標優(yōu)化算法,通過理論與實驗分析所設(shè)計算法對于多目標優(yōu)化問題的可行性;隨后為了進一步改進算法的性能,將生物地理學優(yōu)化算法與

2、差分進化相結(jié)合提出基于生物地理學與差分進化混合的多目標優(yōu)化算法,通過仿真實驗測試了算法性能;其次,考慮到實際問題通常帶有一定的約束條件,針對約束多目標優(yōu)化問題,充分考慮到優(yōu)秀不可行解所攜帶的信息,提出了基于生物地理學的約束多目標優(yōu)化算法,從理論及實驗上分析該優(yōu)化算法對于求解約束多目標優(yōu)化問題的優(yōu)越性;最后,將所設(shè)計的約束多目標生物地理學優(yōu)化算法應(yīng)用于機器人路徑規(guī)劃問題,通過仿真分析,進一步證實算法在實際中的應(yīng)用。本文主要工作概括如下:<

3、br>　　首先,針對多目標優(yōu)化問題,提出基于生物地理學的多目標優(yōu)化算法。在該算法中,首先對生物地理學優(yōu)化算法進行分析,將原生物地理學優(yōu)化算法中進化機制取代基于進化的多目標優(yōu)化算法中的進化操作,求解多目標優(yōu)化問題,結(jié)果發(fā)現(xiàn)群體多樣性會隨著運行代數(shù)的增加,而不斷的減少,甚至陷入局部最優(yōu)。針對該問題,提出擾動遷移算子,在原生物地理學優(yōu)化算法的遷移算子中引入隨機擾動因子,通過該算子使得優(yōu)秀個體的變量在放大或縮小后,再與其他的個體進行共享,理論與

4、實驗分析該算子可以有效改進群體的多樣性;然后,將擾動遷移算子與變異算子一起用于群體的進化,采用外部種群保存進化過程中獲得的非支配解,并應(yīng)用緊鄰距離對外部種群實行更新;最后通過標準函數(shù)測試及與經(jīng)典算法比較,分析算法對于求解多目標優(yōu)化問題的有效性。
　　為了進一步提高算法的性能,提出基于生物地理學與差分進化混合的多目標優(yōu)化算法。該算法首先考慮到生物地理學算法本身具有較好的群體信息利用能力,差分進化具有很好的群體信息開發(fā)能力,提出混合擾

5、動遷移算子。該算子將基于非支配解集中邊界個體的擾動遷移操作,通過采用交叉參數(shù)與差分進化中變異操作相結(jié)合,使其即考慮到了群體的多樣性,又兼顧了群體的擴展性。然后,將混合擾動遷移算子與變異算子一起用于群體的進化,采用外部種群保存進化過程中獲得的非支配解,并用擁擠距離對外部種群實行更新;最后對算法進行定性與定量分析,結(jié)果表明所設(shè)計算法對于各類型測試問題均能夠搜索到一組范圍較廣、分布均勻且多樣性較好的Pareto最優(yōu)解。
　　針對約束多目

6、標優(yōu)化問題,提出基于生物地理學的約束多目標優(yōu)化算法。在約束處理方法上,充分考慮優(yōu)秀的不可行解,即約束違反度較小的個體所攜帶的信息,將其與距離最近的非支配可行解進行交叉,使其向可行解轉(zhuǎn)化,進而增強群體的多樣性;同時考慮到物種在遷移過程中,會受到其他個體和隨機因素的影響,提出基于其他個體差異的擾動遷移操作,將其用于可行解的進化,來產(chǎn)生更多的非支配可行解;可行解與不可行解的同時進化,使得算法從可行域的內(nèi)部與外部同時向Pareto前沿靠近。通過

7、經(jīng)典函數(shù)測試和文獻中公認的有效算法比較,仿真結(jié)果表明所設(shè)計算法對于求解約束多目標優(yōu)化問題存在一定的優(yōu)越性。
　　最后,將基于生物地理學的約束多目標學優(yōu)化算法應(yīng)用于求解機器人路徑規(guī)劃。首先采用網(wǎng)格法對機器人運行環(huán)境進行建模,將機器人運行路徑長度、光滑性作為優(yōu)化的目標,與障礙碰撞程度作為約束條件,則機器人路徑規(guī)劃轉(zhuǎn)化為約束多目標優(yōu)化問題;然后在搜索路徑時,將路徑與個體、路徑節(jié)點與個體基因變量相對應(yīng),采用基于生物地理的約束多目標優(yōu)化算法