进化规划算法在多目标优化问题中的改进应用

"本文主要探讨了一种改进的进化规划算法，用于解决多目标优化问题。在多目标优化中，由于目标间的冲突，需要找到一组非劣解供决策者选择。传统方法通过加权求和转化成单目标问题，但存在单位不一致、主观权重分配、目标优度不可操作以及目标相互制约等问题。进化算法因其并行搜索非劣解的特性，成为解决多目标优化的有效工具。尽管遗传算法被广泛应用，但针对进化规划的多目标算法研究较少。本文提出的方法将初始群体分为可替换和不可替换部分，并利用外部文件保存非劣解，采用排挤机制保持种群多样性。通过与基于非优超排序的多目标进化规划算法进行性能比较，验证了该算法的优越性。文章结构包括多目标优化问题的介绍、算法设计及实现、实验对比和结论。" 在多目标优化问题中，决策者常常面临多个相互冲突的目标，这使得问题变得复杂。传统的解决方法是将多目标转换为单目标，通过加权求和，但这种方法有局限性，如目标间单位不一致、权重分配主观性、无法反映目标优化进度和目标间的相互制约。进化算法提供了一种新的思路，它能同时搜索多个解，生成非劣解集，避免了上述问题。 本文关注的是进化规划在多目标优化中的应用。进化规划是一种模拟自然选择和遗传机制的优化算法，它能处理复杂的优化问题，特别是对于多目标问题，可以生成多样性的解集。作者提出了一种改进的进化规划算法，算法中将种群分为两部分，一部分是可替换的个体，另一部分是不可替换的非劣解，以保持种群的多样性。同时，通过外部文件存储进化过程中的非劣解，避免了重复计算。选择策略基于排挤机制，有助于维持种群的动态平衡。 在评估算法性能时，采用了M*1指标，并与非优超排序的多目标进化规划算法进行了比较。非优超排序虽然能逼近Pareto前沿，但其效率较低，需要大量时间检验非劣解。而改进的进化规划算法则在保持效率的同时，提供了更优的解决方案。 总结来说，本文的研究为解决多目标优化问题提供了新的视角，改进的进化规划算法通过创新的种群管理和选择策略，提高了寻找非劣解的效率和多样性，对于优化计算领域具有重要的理论和实践意义。