遗传算法在多目标决策中的应用研究

1 引言多目标优化是实践中广泛存在的一种优化问题,其理论研究已经取得了一些进展,但是在算法上还不太成熟。一种求解方法是将各个目标加权,从而将多目标问题转化为单目标问题。另一种方法是求多目标规划问题的非劣解(Pareto意义下的最优解),供决策者从中选择。本文主要讨论如何求解多目标优化问题的Pareto有效解。现在,考虑如下带有等式约束和不等式约束的多目标优化问题。     

遗传算法在多目标优化应用中的对比研究

多目标优化应用研究在过程工程领域越来越受重视。本文首先给出了多目标优化问题的一般形式,指出多目标问题求解任务：引导搜索向整个的Pareto优化范围;Pareto优化前沿上保持解集的多样性。在简要论述遗传算法求解多目标技术的基础上,对应用了遗传算法求解多目标的两种方法进行了对比研究,并给出了线性加权遗传算法和一种多目标遗传算法的计算框图。指出线性加权法求解Pareto最优解时不能不能很好地处理非凸区域、均匀分布的权重值不能生成均匀分布的Pareto前沿等局限性,以及多目标遗传算法生成种群多样性及Pareto最优解均匀分布的优点,并用实例进行了验证说明。     

并行多目标遗传算法在控制系统优化中的应用

为了提高复杂控制系统设计问题中的效率,提出了一种基于主从模型的并行多目标遗传算法的优化器模型。主进程进行各类遗传操作和最优排序操作,所有进程都进行目标函数值和约束函数值的运算操作,并采用动态负载平衡策略。将该优化器应用在飞行器控制系统设计中,显示出了该算法的优良效果。     

并行多目标遗传算法在控制系统优化中的应用

为了提高复杂控制系统设计问题中的效率,提出了一种基于主从模型的并行多目标遗传算法的优化器模型.主进程进行各类遗传操作和最优排序操作,所有进程都进行目标函数值和约束函数值的运算操作,并采用动态负载平衡策略.将该优化器应用在飞行器控制系统设计中,显示出了该算法的优良效果.     

多目标蚁群遗传算法在区域水资源优化配置中的应用研究

讨论了区域水资源优化配置算法。首先建立了区域水资源优化配置的数学模型，然后提出了采用多目标蚁群遗。传算法解决这个多目标约束优化的问题。最终通过应用实例验证了算法的适用性。     

多目标蚁群遗传算法在区域水资源优化配置中的应用研究

讨论了区域水资源优化配置算法.首先建立了区域水资源优化配置的数学模型,然后提出了采用多目标蚁群遗传算法解决这个多目标约束优化的问题.最终通过应用实例验证了算法的适用性.     

基于多目标遗传算法的工程资源优化配置

为了使工程资源能够在工程应用中最大程度的优化配置, 利用遗传算法模拟自然进化过程求得最优解的特点, 对遗传算法和多目标优化问题的理论基础和模式定理的进行了分析, 讨论了遗传算法在解决多目标优化工程资源问题过程中的优势, 最后将多目标遗传算法应用于具体工程资源配置实例予以实现. 仿真优化结果表明: 遗传算法在工程资源优化配置过程中更具有先进性, 可靠性和优化性.     

遗传算法多目标优化及其在决策支持系统中的应用

针对区域经济发展的现状,提出了改进的经济多目标优化模型。并用多目标遗传算法来对模型进行优化计算与仿真。在此基础上,通过将MATLAB与Web技术相结合,提出了一种新的基于B/S模式的决策支持系统的解决方案。     

催化裂化分馏塔多目标遗传算法优化

建立了催化裂化分馏塔多目标优化函数,并通过遗传算法对其求解,结果表明在某一组操作参数下生产,可以保证分馏塔重石脑油流量和轻柴油流量同时最优,此时多目标综合评价优化函数的适应度值为193．41,对应解下重石脑油流量Q1和轻柴油流量Q2分别为294．771（t／h）和92．053（t／h）,均高于未进行优化的历史操作最高流量值Q1=225．177（L／h）和Q2=53．700（t／h）,实现了分馏塔的多目标优化。     

基于聚类的快速多目标遗传算法

多目标遗传算法非常适合于求解多目标优化问题．讨论了进化个体之间的支配关系及有关性质,论证了可以用快速排序的方法对进化群体中的个体进行分类,同时探讨了用聚类方法来保持群体的多样性,具体讨论了基于层次凝聚距离的聚类,在此基础上提出了用分类和聚类的方法构造新的进化群体．理论分析与实验结果表明,所讨论的方法比较国际上已有的方法具有更快的收敛速度．     

改进的约束优化多目标遗传算法及工程应用

利用多目标法处理约束条件,提出一种改进的基于多目标优化的遗传算法用于求解约束优化问题。该算法将约束优化问题转化为两个目标的多目标优化问题; 利用庄家法构造非劣个体,将种群分为支配子种群和非支配子种群,以一定概率分别从支配子种群和非支配子种群中选择个体进行算术交叉操作,引导个体逐步向极值点靠近,增强算法的局部搜索能力,对非支配子种群进行多样性变异操作。8个标准测试函数和3个工程应用的仿真实验结果表明了该算法的有效性。     

基于改进混沌优化的多目标遗传算法

针对多目标遗传算法存在的缺陷,提出了基于改进混沌优化的多目标遗传算法．引入基于改Tent映射的自适应变尺度混沌优化方法细化搜索空间和高效寻优,结合非支配排序的群体分级机制和精英保留等多目标优化策略,保持种群多样性的同时保证了进化向Pareto优解集的方向进行．多目标测试函数的数值仿真和电力系统无功优化的算例分析表明了该算法的有效性和可行性．     

一种新的约束优化遗传算法及其工程应用

提出一种新的用于求解约束优化问题的遗传算法,该算法利用佳点集方法初始化个体以维持种群的多样性.在进化过程中,通过可行解与不可行解算术交叉对问题的决策空间进行搜索;对可行种群与不可行种群分别采用高斯变异和柯西变异,从而协调算法的勘探和开采能力.几个标准测试问题的实验结果表明该算法的有效性;应用新算法求解两个工程优化设计问题,结果表明该算法的可行性.     

基于一种新模型的多目标遗传算法及性能分析

在多目标优化中,各目标通常相互冲突,其最优解往往有无穷多个,如何在最优解集中求出一组分布均匀且数量多的Pareto最优解供决策者选择十分重要.本文给出了多目标优化的一种新解法.首先定义了种群序值的理想方差和种群密度的方差,然后把目标个数任意的多目标函数优化问题Ⅰ转化成了用种群序值的理想方差和种群密度的方差构成的两个目标函数的优化问题Ⅱ,并对转化后的优化问题Ⅱ提出了一种新的多目标遗传算法(RDMOEA).计算机仿真表明RDMOEA算法对不同的实验函数均可求出在最优解集合中分布均匀且数量充足的Pareto最优解.     

一种求解约束优化问题的进化算法及其工程应用

提出一种改进的用于求解约束优化问题的进化算法.该算法利用混沌方法初始化个体以保证其均匀分布在搜索空间中.在进化过程中,将种群分为可行子种群和不可行子种群,分别采用不同的交叉和变异操作,以平衡算法的全局和局部搜索能力.标准测试问题的实验结果表明了改进算法的有效性.最后将改进算法应用到两个工程优化设计问题中,得到了满意的结果.     

一种SaaS质量多目标模型的遗传优化研究*

针对基于云计算的SaaS软件生成时存在不确定性、分散性、难控制性等问题,提出一种基于遗传算法的SaaS质量多目标模型,从SaaS与时间、PaaS、虚拟机、付费情况的关系和SaaS软件状态质量(SaaS质量)两角度建立SaaS软件质量模型,并用精英策略的小生境遗传算法进行优化,从而得到一组SaaS软件在Internet中的形态、状态质量参数。最后在Amazon环境下以一个SaaS销售软件生成为例分析SaaS多目标模型可行性和有效性。     

蚁群法研究进展及应用于化学化工

蚁群法是新型的群智能优化法,具有鲁棒性、分布并行机制和易融入启发式信息等特点。尤其通过释放信息素,蚂蚁间相互交流协作,实现正反馈机制,加速全局搜优,提高效率。蚁群法最初只用于离散问题。本文评述蚁群法的起源、改进和发展;重点介绍并分析了连续型蚁群法的几种处理方案和各自特点;全面总结蚁群法已应用在化学化工领域,以及对动态、带约束和多目标问题的处理方式和机制,效果良好,优于其他算法的情况。最后展望蚁群法今后的发展前景和研究方向。     

一种改进的多目标混合遗传算法及应用

在NSGA-II算法中引入自适应交叉算子和自适应变异算子,将模拟退火算法与改进的NSGA-II算法相结合,并应用到武器装备供应合同商的选择与评价中。实验结果表明,非劣解在目标空间分布均匀,算法收敛性好,为求解武器装备供应合同商选择的多目标问题提供了一种有效的工具。     

求解约束优化问题的中心引力优化算法及其工程应用

为了平衡算法的全局探测能力和局部搜索能力,提出一种基于交叉与变异的中心引力优化算法用于求解约束优化问题。该算法首先利用佳点集方法构造初始种群以保证粒子的多样性。以一定概率随机选择粒子与当前最优粒子进行算术交叉操作,引导粒子向全局最优解靠拢。对当前最优粒子进行多样性变异以避免算法陷入局部最优。标准测试函数和工程优化应用问题的实验结果表明,新算法能有效求解不同的约束优化问题。     

基于改进遗传算法的刨头多目标优化设计

针对刨煤机和装载均匀问题,基于改进遗传算法的多目标优化策略,对刨头刨削参数和运动参数进行优化设计。优化结果表明,刨削能耗降低16.96%,生产能力提高23.38%,装载断面均匀程度提高16.62%,刨煤机的生产能力得到显著提高,比能耗得到显著降低,有效降低了刨煤机的能耗。