改進的進化算法用于求解約束優(yōu)化問題.pdf

1、在科學(xué)研究和工程實踐中，許多實際問題最終都歸結(jié)為求解一個帶約束條件的函數(shù)優(yōu)化問題。進化計算作為一類通過模擬生物進化過程與機制來求解問題的優(yōu)化技術(shù)，為解決復(fù)雜優(yōu)化問題提供了新的思路和方法，并且在許多約束優(yōu)化問題的求解上取得了成功。近年來，越來越多的研究者將注意力投在進化算法上，提出了多種約束優(yōu)化進化算法。 本文作者結(jié)合佳點集理論重新設(shè)計交叉算子，提出佳點集交叉算子，該交叉算子能夠生成實數(shù)域中具有代表性的子代個體以更好地搜索決策空間

2、。針對該交叉算子，提出一種求解約束優(yōu)化問題的新算法--基于佳點集約束優(yōu)化進化算法(COAGPN)。該算法首先把約束優(yōu)化問題轉(zhuǎn)化為兩個目標的多目標優(yōu)化問題；接著佳點集交叉算子生成子代個體和BGA變異算子增加子代個體的多樣性；最后根據(jù)當(dāng)前子代群體的進化信息，利用聯(lián)賽選擇算子或Pareto優(yōu)超關(guān)系選擇優(yōu)勝個體進入下代群體。12個標準測試函數(shù)的實驗驗證算法的有效性、穩(wěn)健性和通用性，同時也驗證了算法收斂速度快的特點，通過與另外兩個較好的約束優(yōu)化進

3、化算法的實驗結(jié)果的比較表明了該算法具有很高的性能。 本文作者還結(jié)合記憶策略、差異進化算法和粒子群優(yōu)化算法提出記憶進化算法(MCOEA)。MCOEA包含兩個進化種群：群體和在進化過程中獲取的經(jīng)驗組成的記憶單元，種群只允許違反約束程度大的一半粒子由粒子群優(yōu)化算法進化，這些粒子根據(jù)自己歷史最好位置和群體歷史最好位置提供的信息在搜索區(qū)域中遍歷，期望找到更好的位置。Acquire()函數(shù)將更好的粒子新位置替換掉記憶單元中的對應(yīng)個體。差異進