论文部分内容阅读
遗传算法作为一种启发式的搜索算法,在科学和工程研究领域已经得到了广泛的应用,由于经典的多目标优化方法在处理大维数、多模态等复杂问题上存在许多不足,而遗传算法具有处理大问题空间的能力,能够处理大规模的搜索空间,可有效地克服传统多目标优化技术的局限,因此,应用遗传算法求解多目标优化问题,是这一领域的发展趋势。
本文在广泛深入地查阅国内外文献的基础上,对遗传算法及其面向多目标优化情况的理论基础和基本方法进行了研究与分析,主要内容归纳如下:
首先系统、详尽地介绍了遗传算法的一般流程和基本理论、方法,从遗传算法的五个基本要素出发阐述了实现遗传算法的各种方法,进而分析了遗传算法在实际应用中逐渐暴露出的收敛速度慢、过早收敛和局部收敛能力差等问题,侧重分析了遗传操作算子造成或导致遗传算法缺陷的原因,为改进遗传算法搜索策略提供了理论依据。
然后介绍了多目标优化的基本概念和理论,并对经典的多目标优化技术进行了专题讨论。研究了传统的多目标优化技术很少被应用于解决大规模优化问题的原因是一次只能得到一个最优解,而遗传算法一次进化能够得到多个最优解,可以很好地解决大规模优化问题,在此基础上,比较和介绍了几种基于Pareto的多目标优化遗传算法。
本文提出一种算子操作概率的自适应策略IGA,并对其性能进行了评价,同时将自适应策略IGA引入多目标优化遗传算法中,提出了一种自适应的基于Pareto最优解的多目标优化遗传算法,并采用数值计算分析比较了常规的多目标优化算法和本文提出的自适应的改进多目标遗传算法,结果表明,利用改进策略的算法搜索整体性较强,可有效的保持群体多样性,防止早熟现象的发生。
最后在文献[18]建立的数学模型基础上,选择汽油和轻柴油的产量作为多目标优化的控制变量,其余变量作为约束变量,将提出的改进算法应用于FCCU分馏塔的多目标优化问题,得到了更加稳定的优化结果,进一步验证了本文提出的改进策略的可行性和有效性。