论文部分内容阅读
遗传算法通过模拟生物自适应选择过程和自适应进化过程,通过不断迭代逼近最优解,可以将其用于求解高度复杂的非线性最优值问题。在对复杂的单目标问题进行求解时,遗传算法表现出了良好的优化性能。然而,现实中的优化问题总是具有多个目标的。这些被优化的目标之间并不能同时达到最优,而是相互冲突,相互抑制。为了达到各个目标的均衡最优化,通常需要增大某一目标的值以降低其他目标的值。多目标遗传算法在优化多目标问题时具有良好的效果,这些典型的多目标遗传算法包括向量评估遗传算法,小生境pareto遗传算法,非劣分类遗传算法和pareto存档进化策略等。本文在简单遗传算法的理论基础上,设计了两类改进的遗传算法用于多目标问题求解,主要工作及研究成果如下:(1)设计了一种引入外部非劣档案的多目标遗传算法。简单多目标遗传算法在优化多目标问题时,优化过程会陷入局部最优,不能求出全局范围内的其他最优解。本算法先通过权值分配,求出多目标优化问题凸部分的全局最优解,将这些全局最优解作为初始种群的一部分,随其他随机个体一同进行遗传过程的选择、交叉、变异。在不断的迭代过程中,优秀的随机个体会搜索到非凸部分的最优个体,最优非劣个体会淘汰体质较弱的随机个体。针对函数ZDT1,ZDT2,ZDT3,ZDT4,ZDT6进行测试,实验结果表明,改进后的算法,相较于NMOGA[1]算法,在解集的覆盖度和均匀度上更有优势。(2)设计了一种基于信息熵的多目标遗传算法。该算法在传统的NSGA-2算法的基础上加以改进,在遗传操作开始时以某一目标为基准,求出种群在该目标上的聚类个数,利用聚类个数的值进而求出种群的信息熵。将信息熵作为改变交叉概率和变异概率的因子,使交叉概率和变异概率调控种群的寻优与种群的收敛。针对函数ZDT1,ZDT2,ZDT3,ZDT4,ZDT6进行测试,并以一生产调度问题作为测试实例,实验结果表明,本文基于信息熵的NSGA2-EN算法比传统的NSGA-2算法求得的种群更加的丰富。