基于模擬退火與遺傳算法融合的多目標優(yōu)化方法研究.pdf

1、遺傳算法是一種模擬生物自然選擇與自然進化，通過個體的選擇、交叉和變異，不斷進化，最終得到最優(yōu)解的隨機搜索算法。相比傳統(tǒng)優(yōu)化方法，遺傳算法有很多優(yōu)勢，如智能性、并行性、通用性、全局優(yōu)化性、不需要先驗信息等，缺點是局部搜索能力不足，易早熟收斂；模擬退火算法是一種模擬金屬退火機理而建立的隨機優(yōu)化方法，它是源于對固體退火過程的直接簡單模擬而建立的一種隨機搜索技術。模擬退火算法有較強的局部搜索能力，能有效的跳出局部最優(yōu)，但把握整體搜索能力不強，不

2、便于使搜索過程進入最有希望的搜索區(qū)域。
　　 本人深入的研究了遺傳算法和模擬退火算法的實現(xiàn)機理、融合方式，在此基礎上提出了一種將遺傳算法與模擬退火算法融合的方法，在遺傳算法中引入了一種模擬退火算子。在求解多目標優(yōu)化問題時，對于算法運行時產生的每一代種群，首先使用執(zhí)行遺傳操作，由于模擬退火本身就包含遺傳算法中變異算子的功能，因此算法刪掉冗余的變異算子，只執(zhí)行交叉算子；然后對于種群中的每個個體分別進行模擬退火操作，采用Pareto排

3、序思想對比模擬退火操作產生的新個體和舊個體之間的優(yōu)劣：若其新個體優(yōu)于舊個體，則用新個體替換掉種群中的舊個體，更新種群；若新個體劣于舊個體，則概率性替換舊個體，概率性更新種群；若新個體與舊個體相互獨立，則將其作為子代個體。最后，將模擬退火算子更新后的種群、產生的子代，交叉算子產生的子代合并，非支配排序、計算聚集距離，據(jù)此選取其中一定數(shù)量的個體作為下一代種群。如此反復，直到算法終止。
　　 文章在最后使用三個不同類型的多目標函數(shù)優(yōu)化