智能进化优化算法的分析与应用

《智能进化优化算法的分析与应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浙江大学硕士学位论文Thesimulationshowsthefeasibilityofdifferentialevolutiononsintedngburdeningoptimization．Comparedwithotheralgorithmdifferentialevolutionisveryusefulbecauseofitseasyimplementationandlesscontrolparameter,SOitisanewmethodforsinteringburdeningoptimization．(3)Basedon

2、theNSGA-IItheory，thenovelapproachofsinteringburdeningoptimizationtakingpropertiesintoaccountisproposed．Reductiveperformanceandmechanicaltolerance，usingcoefficientaresetastheobjectivesofoptimizationmodel．UsingNSGA-IItooptimizethisquestion，theresultshowsNSGA-IIisveryusefu

3、linsolvingmulti-objectivequestions，SOanefficientmethodofsinteringburdeningoptimizationconsideringpropertiesisproposed．KeyWords：Globaloptimization，DifferentialEvolution，Stagnation，Non-dominatedSortingGeneticAlgorithm(NSGA)，NSGA-II，Pareto,SinteringBurdeningoptimizationIV浙

4、江大学硕士学位论文1．1引言第一章绪论在遗传、选择和变异作用下，自然界生物体优胜劣汰，不断由低级向高级进化和发展，受达尔文的进化论和孟德尔的遗传学说的启发，人们注意到适者生存的进化规律可以形式化而构成一些优化算法，近年来发展的进化计算类算法受到了广泛关注。进化算法的研究起源于20世纪50年代末，成熟于80年代，它是由遗传算法(GeneticAlgorithm，简称GA)，进化策略(EvolutionStrategy，简称ES)和进化规划(EvolutionProgramming，简称EP)三大分支组成。这三种算法从不同层次、不同角度模

5、拟自然进化规律，达到求解问题的目的。差分进化(DifferentialEvolution，DE)算、法11】是由StornR和PriceK于1995年提出的，它的主要特点是算法简单、收敛速度快、所需领域知识少。通过大量研究发现，DE算法具有很强的收敛能力，比较适合于解决复杂的优化问题。DE是一种随机的并行直接搜索算法，它可对非线性不可微连续空间函数进行最小化，以其易用性、稳健性和强大的全局寻优能力在多个领域取得成功。DE算法用于求解最优问题时优势比较明显，但也发现算法存在许多待改进的地方，无论是从理论角度还是从实践方面考虑，DE算法目

6、前都尚未成熟。因此很有必要继续研究DE算法，从而扩大算法的应用领域，解决更多的问题。自上世纪70年代以来，多目标优化问题在国际上引起了广泛的关注，并迅速发展成为一门新兴的学科。它在当前依然是研究的一个热点方向，随着理论研究的不断深入，其应用的范围日益广泛，已经涉及到过程控制、航空航天、人工智能、计算科学等诸多领域。在这些领域当中，大量的问题都可以归结为一类在某种约束条件下使多个目标同时达到最优的多目标优化问题。传统的优化技术，如基于梯度的方法【1，2l和基于单纯形法的方法13’4l，在解决复杂度较高的问题上遇到很大的困难，在多目标问题

7、中效果也欠佳。而在许多领域，问题的关键在于所取得的优化结果的精度，显然传统的优化技术不能满足要求。在这样的情况下，进化算法由于其实现简单、并行性强，并且不需要知道很多关于多目标问题本身的背景知识，逐渐被应用于多目标优化问题中【¨oi。浙江大学硕：L学位论文经典的多目标进化算法主要有加权法、约束法和目标规划法等，这些方法的基本思想是将多目标优化问题转化成单目标优化问题，从而利用已经成熟的单目标优化方法来间接地加以解决。但是，这些经典的方法有一定的缺点，最突出的就是它们要求对多目标问题本身有较深入的了解，然后人为地确定～些重要的参数。显然

8、，这种方法的优化结果一般不会很理想。传统的遗传算法在面对复杂的多目标优化问题时显得力不从心，各种困难迎面而来。面对困境，各国的研究人员通过对遗传算法进行改造，发展出了多种用于解决多目标优化问题的遗传算法，如多目标加权遗传