论文部分内容阅读
多目标规划问题,尤其是线性多目标规划问题,一般不存在绝对最优解,而是存在一组有效解或弱有效解。因此如何求得原问题的一组有效解或弱有效解就成了多目标规划问题的主要研究方向。传统的多目标规划求解方法,例如主要目标法、分层序列法、功效系数法、评价函数法等等,处理较简单,操作起来较容易,但是只能得到一个解,而且得到的解也不能保证有效性,一般情况下只能得到弱有效解。而遗传算法求解多目标规划问题时可以求得一组有效解,但又存在着计算量较大、结果具有一定随机性的问题.因此两种算法各有所长。在传统的求解方法中,线性加权和法能够很简单地将多目标问题转化为单目标问题,而遗传算法处理多目标问题时构造的适应度函数较复杂,造成计算量的增加。本文结合了这两种算法的长处,提出了一种利用外部最优保存策略同时在外部最优解集中进行pareto排序的外部pareto多目标遗传算法(Outer Pareto MultipleObiective Genetic Algodthm,简称OPMOGA)。其特点主要体现在以下两个方面:
第一,利用简单的多目标化单目标的方法,即线性加权和法,把多个目标化成一个目标来求解,同时运用罚函数法对约束条件进行处理,这样可以转化为无约束问题。
第二,根据遗传算法便于求解单目标规划的特点,利用外部最优保存策略,于外部最优集中进行pareto排序,这样可以提高求得的一组最优解的有效性。
本文对OPMOGA算法的设计方法、流程进行了详细描述,同时对收敛性进行了分析与证明.最后对该算法进行了数值试验,通过计算可知该算法是可行的。