论文部分内容阅读
所谓的进化算法是指人们提出的一种能够根据问题的实际情况自动调整的全局优化算法,它主要是用来模拟地球上的单个生物体在随着生活环境变化中的不断遗传和进化的全过程。由于该算法结构简单使用方便,被应用于很多地方。在众多的遗传算法中,由国外Deb提出被称为NSGA-II进化算法采用简单便捷的非支配排序方式,不需要设置参数,并且具有很好的运行效率和较好分布性能,同时又拥有了较快的收敛速度,因此被国内外学者广泛使用。但是还是有较大的改进空间。差分进化算法(Differential Evolution: DE)是由Storn等人提出来的,最初的设想是用来求解切比雪夫多项式问题,但是随后发现DE也能够非常有效求解复杂的优化问题。近年来,差分进化算法由于其性能很好受了研究人员的到格外关注,应用领域也越来越广。但是分布度保持的效果还有待提高。本文主要的工作是针对上述的两个经典进化算法来进行改进。1.为了更好的保持解集的分布性和多样性,Deb等通过计算进化群体中每个个体之间的聚集距离,然后根据个体所处的层次及聚集距离来定义一个偏序集(partial order set),构造新群体时按顺序在偏序集中选取个体。这种方法的缺点是,一些分布较好的个体可能被淘汰而有些分布不好的个体反而被保存下来。本文对NSGA-II做出了改进,提出了用混合距离来估算个体密度,并和优先队列结合使用能够较好地保持解的多样性,提高解的分布度。结论是:试验结果表明该算法与NSGA-II相比具有更好的分布性。2.本文提出的DSMODE算法和NSGA-II算法一样是随机选取父代个体进入交配池产生子代个体,再将其中优秀的个体选入下一代进化种群。我们知道由于随机选择的盲目性,导致子代的生成具有不确定性,但通常决策者希望能够产生满足决策需求的解进入下一代。对此,本文提出了一种基于方向信息的精英选择机制,该机制指导算法将可能产生较好分布子代个体选作父代进入交配池,使得算法朝增加解集多样性的方向进行搜索,从而达到保持解集的多样性的目的。实验结果证明了该算法的有效性。