多目標(biāo)進(jìn)化算法的研究.pdf

1、現(xiàn)實(shí)生活中有很多最優(yōu)化問題，這些問題往往又是多目標(biāo)性質(zhì)的，各個目標(biāo)之間相互制約，在對其中一個目標(biāo)優(yōu)化的同時，是以降低其他目標(biāo)性能為代價。所以總體來說，多目標(biāo)優(yōu)化問題并不存在單個最優(yōu)解的情況，而是一組近似最優(yōu)的折衷解集。傳統(tǒng)的優(yōu)化算法一次運(yùn)行只能得到一個折衷解，因而用于多目標(biāo)優(yōu)化問題的求解效率偏低，無法滿足實(shí)際應(yīng)用需求。以種群為進(jìn)化單位的多目標(biāo)進(jìn)化算法能夠有效的一次得到一組近似最優(yōu)解，并且多個個體同時進(jìn)化，可以減少單個個體的重要性，從而減

2、小陷入局部最優(yōu)“陷阱”的概率。本文對多目標(biāo)進(jìn)化算法進(jìn)行了深入的研究分析，主要工作內(nèi)容如下：
　　1)NSGA-Ⅱ（非支配排序遺傳算法）擁有優(yōu)秀的時間復(fù)雜度，但是犧牲了算法的分布性作為代價，在保持其優(yōu)點(diǎn)的同時，為了維護(hù)種群多樣性，借用了差分進(jìn)化算法的思想，加入了差分局部搜索的過程，理論分析和仿真結(jié)果證明了改進(jìn)的DELS_NSGA2算法時間復(fù)雜度與NSGA-Ⅱ相同，且解集具有更好的廣度和均勻性。
　　2)粒子群優(yōu)化算法用于求解多