论文部分内容阅读
生产实际中遇到的数值优化问题绝大多数是有约束的,而且随着社会的发展,约束优化问题越来越复杂,呈现出强非线性、强约束、多变量和目标函数不可微等复杂特点,很难求得其全局最优可行解。约束优化问题求解的首要任务是寻找合适的处理约束方法,然后设计高效的求解算法。本文围绕约束优化问题的求解进行了研究,提出了两种新的约束问题求解方法。论文的主要研究工作如下:(1)利用罚函数法处理约束条件,提出一种基于自适应罚函数法和改进蝙蝠算法的约束优化问题求解方法。该算法首先通过自适应惩罚函数法将约束优化问题转化为无约束优化问题;该自适应处理方法综合考虑了约束违反的情况和进化过程的特点,如果某个约束违反的次数越多,则证明该约束越强,赋予惩罚系数越大,种群中的不可行解的数量越多,为保持种群的多样性,则约束应该取较小的值,即惩罚系数取较小的值。利用混沌的遍历性特点产生蝙蝠算法初始种群;融入交叉操作,增强算法的局部寻优能力;引入变异操作,避免陷入局部最优。4个复杂的标准测试函数和2个工程应用的仿真证明了该算法的有效性。(2)利用多目标法处理约束条件,提出一种改进的基于多目标优化的遗传算法用于求解约束优化问题。该算法首先将约束优化问题转化为两个目标的多目标优化问题;利用庄家法构造非劣个体,将种群分为支配子种群和非支配子种群,以一定概率分别从支配子种群和非支配子种群中选择个体进行算术交叉操作,引导个体逐步向极值点靠近,增强算法的局部搜索能力,对非支配子种群进行多样性变异操作。8个标准测试函数和3个工程应用的仿真实验结果证明了该算法的有效性。