進(jìn)化算法解決多目標(biāo)優(yōu)化問題.pdf

1、進(jìn)化算法（Evolutionary Algorithm，EA）在處理多目標(biāo)優(yōu)化問題（Multi-objective optimization problem）和在實(shí)際中應(yīng)用是當(dāng)前研究的熱門問題，隨著待優(yōu)化問題的維度越來越高、目標(biāo)變得更多，算法也隨之變得復(fù)雜，傳統(tǒng)的粒子群、差分進(jìn)化等算法已不能有效處理此類問題。多目標(biāo)進(jìn)化算法（Multi-objective Evolutionary Algorithm，MOEA）隨之出現(xiàn)。它在處理上述問題

2、中表現(xiàn)杰出。本文在傳統(tǒng)優(yōu)化算法的基礎(chǔ)上，重點(diǎn)研究介紹了多目標(biāo)粒子群算法（MOPSO，Multi-Objective Particle Swarm optimization algorithm）來處理多目標(biāo)優(yōu)化問題。將差分進(jìn)化算法（Differential evolution algorithm，DE）在解決環(huán)境經(jīng)濟(jì)調(diào)度（Environment/Economic Dispatch，EED）中應(yīng)用。具體內(nèi)容如下：
　　首先介紹了粒子群

3、算法（PSO）的概念和多種建立在 PSO基礎(chǔ)上的改進(jìn)算法。將它們在測試函數(shù)中的表現(xiàn)進(jìn)行對比并分析。對深入研究 MOPSO算法提供了理論基礎(chǔ)。
　　其次利用PSO算法的先驗(yàn)知識。針對傳統(tǒng)PSO算法不能處理多目標(biāo)問題。提出了加入外部存檔和局部擾動策略的MOPSO算法。從實(shí)驗(yàn)結(jié)果看出，本文介紹的MOPSO比之NSGA2可得到更好的Pareto前沿。
　　之后詳細(xì)介紹DE算法的基本概念。列舉多種擴(kuò)展模式并比較。同時(shí)介紹多種改進(jìn)的DE