论文摘要
大自然是我们解决各种问题的源泉,几百年来,将生物界提供的答案应用于求解实际问题已经被证实是一种成功的方法。如今生物模拟已成为计算机科学的一个组成部分。这些年来也兴起了一系列基于生物激励机制的优化算法,如遗传算法、人工免疫系统、蚁群优化、粒子群算法、人工神经网络、文化算法等。这些算法都是从生命现象中得到启示,借鉴模拟了生物系统的行为、功能和特性。已广泛应用到各种不同的领域和多目标优化中。基于种群搜索的遗传算法是在进化论和遗传学的基础上产生和发展起来的一类随机搜索优化方法。而粒子群优化算法是一类较新的优化算法,它源于鸟群和鱼群群体运动行为的研究,是一种基于种群搜索策略的自适应随机算法。本文针对这两个算法分别在单目标上进行了研究,并用遗传算法来解决多目标优化问题。在基于切面上升的狭义遗传算法的基础上对其进行了改进,采用多父体适应值加权交叉策略,使算法全局搜索能力有了很大提高。实验结果表明改进后的算法能解决较为复杂的高维多峰值问题,找到的解更接近最优解。同时将标准粒子群算法和遗传操作算子(交叉和变异)相结合,加强了算法的全局搜索能力,使算法容易跳出局部最优。与标准粒子群算法在四个典型测试函数上进行了比较,实验结果表明该算法有很好的潜力找到更好的解。在多目标优化方面,提出了基于随机算子的快速多目标遗传算法,在算法NSGA2的基础上用擂台赛法则构造非支配集来加快算法效率,抛开NSGA2算法中构造多层非支配集的繁琐,构造下一代种群时加入随机算子,使得解集具有良好的分布性。不同维数下的测试函数结果表明,该算法比NSGA2有更好的分布性,算法运行效率也较高,且实现简单。