基于协同进化的多目标优化算法研究

论文摘要

多目标优化问题一直是决策科学中的难点和热点问题,在遗传算法被应用于多目标优化问题以前,已经产生了许多传统的经典方法,这些传统方法在解决多目标优化问题时存在许多问题。遗传算法具有处理大问题空间的能力,并可以得到多个最优解,对问题的先验知识没有要求,这些是传统算法所不具备的。然而,遗传算法解决问题时,未成熟收敛和收敛速度慢一直是不可调和的矛盾,因此在解决高维数,多模态等复杂多目标优化问题时存在不足。协同进化算法是20世纪90年代兴起的一种进化算法,能够很好的解决未成熟收敛和收敛速度慢的矛盾,因此应用协同进化算法解决多目标优化问题,是这一领域发展的趋势。本文在广泛深入地查阅文献的基础上,对协同进化和多目标优化问题进行了深入的研究和分析,主要内容如下:对多目标优化问题进行了简单的回顾,并简单介绍了传统解决多目标优化问题的方法,同时指出了这些传统方法存在的问题,简单回顾了遗传算法的产生与发展,并对遗传算法的基础知识和理论进行了详细介绍。评述了传统遗传算法解决多目标优化问题的方法,对这些算法作了简单的评价和比较,并提出这些传统遗传算法对其他算法的启示。分析了协同进化算法的产生与发展,及合作型和竞争型协同进化算法的思想。给出了合作型和竞争型两种协同进化算法解决多目标优化问题,并且根据算法运行过程中出现的问题,提出了相应的改进策略。使用两种协同进化算法和MOGA算法,对6个测试函数进行了测试,并从两个指标上对算法性能进行了比较,实验结果表明,协同进化算法较传统的遗传算法有更好的搜索能力。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 多目标优化问题
• 1.1.1 多目标优化问题的基本概念
• 1.1.2 传统的多目标优化方法和局限性
• 1.2 遗传算法的产生与发展
• 1.3 多目标遗传算法的发展和现状
• 1.4 本文的结构和工作
• 1.4.1 本文的结构
• 1.4.2 本文的工作
• 第二章 遗传算法的基本原理和方法
• 2.1 遗传算法概述
• 2.1.1 遗传算法流程
• 2.1.2 遗传算法的特点
• 2.1.3 遗传算法的基本操作
• 2.1.4 基本遗传算法
• 2.2 遗传算法的理论基础
• 2.2.1 模式定理
• 2.2.2 积木块假设
• 2.3 遗传算法的基本实现技术
• 2.3.1 编码
• 2.3.2 适应度函数及其尺度变换
• 2.3.3 选择
• 2.3.4 交叉
• 2.3.5 变异
• 2.4 本章小结
• 第三章 多目标遗传算法
• 3.1 几种多目标遗传算法
• 3.1.1 线性加权法
• 3.1.2 向量评估遗传算法（VEGA）
• 3.1.3 多目标遗传算法（MOGA,FFGA）
• 3.1.4 非劣分层遗传算法（NSGA）
• 3.1.5 小生境Pareto遗传算法（NPGA）
• 3.1.6 强度Pareto进化算法（SPEA）
• 3.2 多目标遗传算法的比较
• 3.3 本章小结
• 第四章 基于协同进化的多目标算法
• 4.1 协同进化的发展和研究现状
• 4.2 协同进化的算法的主要思想
• 4.2.1 合作型协同进化算法
• 4.2.2 竞争型协同进化算法
• 4.3 协同进化算法的特点
• 4.4 基于协同进化的多目标优化算法
• 4.4.1 合作型协同进化的多目标优化算法
• 4.4.2 竞争型协同进化的多目标优化算法
• 4.4.3 两种算法的具体实现策略和改进
• 4.5 实验结果和结论
• 4.6 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 发表论文和科研情况说明
• 致谢