摘 要：本文是结合智能算法和多目标优化提出了一种混合遗传算法将此混合遗传算法应用到实际问题中，经过实验求解，通过对比证明该算法能求得问题更多的、更广的和更均匀的Pareto最优解，具有良好的效果。
　　关键词：智能算法；最优解；多目标问题
　　一、多目标优化遗传算法的基本理论
　　多目标遗传算法（multi-objective genetic algorithm，MOGA）作为一种模拟生物自然选择的随机搜索算法，适用于求解高度复杂的非线性问题得到了非常广泛的应用，同时又具有较好的通用性。
　　多目标优化问题可描述为：求解一个决策变量向量，它满足所有约束并且使得由目标函数组成的向量最优化。可以描述如下：
　　求一个决策变量向量X=[x1，x2，…，xn]T，满足k个不等式约束：gi（X）≧ 0 i = 1，2，…，k。同时满足m个等式约束：hi（X）= 0 i = 1，2，…，m。
　　设有r个优化目标，且这r个目标是相互冲突的，可表示为：f（X）=（f1（X），f2（X），…fr（X））
　　二、Pareto最优的定义
　　多目标优化中的最优解通常称为Pareto最优解，一般进行如下描述：设X1，X2∈Ω，对所有i（1≤i≤m），有fi（X1）≤fi（X2），且对于任意i，Fi（X1）≤Fi（X2）则称X1支配X2。如果一个可行解Xp没有被任何X∈Ω支配，就称Xp为Pareto 最优解。
　　三、适应度函数的设计
　　定义个体适应度函数为：
　　四、智能混合遗传算法的步骤
　　（1） 初始化群体。随机选取初始化种群F（x）。（2） 评价个体的优劣，计算当前种群每个个体对应的目标函数的函数值，然后对Pareto最优解临时储备库进行更新操作。（3） 选择操作。随机确定各目标函数权值wi=randi/randj，根据选择概率选择一对父代个体。（4） 交叉和变异，对N-Nelite对父代个体的每对执行交叉操作，每对父代个体通过交叉产生一个新个体，然后对新个体执行变异操作。（5） 从临时非劣解集中随机选出Nelite个个体与前面产生的N-Nelite个个体一起构成新的群体F′（x）。（6） 对群体中的所有解进行局部搜索，局部搜索方向由第（3）步父代个体选择时确定的权值决定，并由局部搜索产生的N个新解代替当前种群。p（x）=。公式中f为种群P中最劣个体的适应度值，在第（1）步中，各个目标函数的取值随机确定，每一组权值都将对应一种搜索方向。因此局部搜索的方向是多样的。
　　五、实验结果分析
　　通过实验可以看出：智能混合遗传算法能够有效地得到问题的pareto最优解，而且解的分布情况良好。
　　参考文献：
　　[1] 雷德明，严新平.多目标智能优化算法及其应用[M].北京：科学出版社，2009.
　　[2] 吴祈宗等.运筹学与最优化MATLAB编程[M].北京：机械工业出版社，2009.