资源描述：
《多目标优化课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、多目标优化多目标优化（MultiobjectiveOptimization）是指要找出一个能同时满足所有的优化目标的解,而这个解通常是以一个不确定的点集形式出现.因此多目标优化的任务就是要找出这个解集的分布情况,并根据具体情况找出适合问题的解。实际应用在现实工程中,很多问题都是多目标优化问题,需要同时满足两个或者更多的目标要求,而且要同时满足的多个目标之间往往互相冲突、此消彼长.因此,在多目标优化问题中,寻求单一最优解是不现实的,而是产生一组可选的折中解集,由决策过程在可选解集中作出最终的选择.解
2、决方案传统的方案基于进化算法方案传统方案传统的多目标优化方法往往将其转化为各目标之加权和，然后采用单目标的优化技术。基于传统数学规划原理的多目标优化方法在实际工程优化问题中往往表现出一定的脆弱性。传统方案的问题a．不同性质的目标之间单位不一致，不易作比较；b．各目标加权值的分配带有较大的主观性；c．优化目标仅为各目标的加权和，优化过程中各目标的优度进展不可操作；d．各目标之间通过决策变量相互制约，往往存在相互矛盾的目标．致使加权目标函数的拓扑结构十分复杂。多目标优化／决策问题不存在唯一的全局最优解
3、，而是存在多个最优解的集合。多目标问题最优解集中的元素就全体目标而言是不可比较的，一般称为Pareto最优解集基于进化算法方案基于进化算法方案基于种群的智能优化方法具有较高的并行性,尤其在求解多目标问题时,一次运行可以求得多个Pareto最优解,具有单目标优化方法不可比拟的优势.粒子群优化、蚁群算法、人工免疫系统、分布估计算法、协同进化算法、密母算法、文化进化算法等一些新的进化范例陆续被用于求解多目标优化问题。四类典型算法四类算法是近两年在进化计算领域的顶级期刊《IEEETransactionso
4、nEvolutionaryComputation》或《EvolutionaryComputation》上发表的成果,代表着当今进多目标优化的发展潮流和趋势.基于粒子群优化的多目标优基于人工免疫系统的多目标优化基于分布估计算法的多目标优化基于分解的多目标进化算法基于进化算法方案的优点进化算法并行地处理一组可能的解(群体),不需要分别运算多次便能在一次算法过程中找到Pareto最优集中的多个解进化算法不局限于Pareto前沿的形状和连续性,易于处理不连续的、凹形的Pareto前沿,这在数学规划技术中是
5、两个非常重要的问题.基于PSO多目标优化算法基于PSO的多目标优化算法不像遗传算法那样已经相对比较成熟，它仍停留于研究的初步阶段。它的理论基础的研究还比较贫乏，研究者们还不能对PSO的工作机理给出恰当的数学解释。但是凭借该算法简单容易实现同时又有深刻的智能背景，既适合科学研究又特别适合工程应用的优势，开拓新的PSO算法的应用领域是一项有价值的工作。基于PSO的多目标优化算法Li等人把粒子群优化与NSGA-II结合起来，把局部搜索算子定义为外部种群和内部种群的相互作用,并引入了一个扰动算子以保持多样
6、性。CoelloCoello等人提出了MOPSO算法。Abido等人提出了两阶段非占优多目标粒子群进化算法,在当前Pareto前沿面执行两阶段的局部搜索和全局搜索。Koduru等人提出了结合粒子群和模糊ε占优的混合算法。MOPSO算法CoelloCoello提出的MOPSO算法是用粒子群优化解决多目标优化问题的非常经典的算法.MOPSO的创新主要有两点:一是采用了自适应网格的机制来保存外部种群。二对于多目标优化问题,不仅要考虑解的收敛性,还要考虑解分布的均匀性和宽广性,所以,为了保证最终解的多样性
7、,引入了新的变异策略,对粒子分布的区域进行变异,且变异概率随着进化代数的增加而逐渐减小.
