[发明专利]基于深度搜索和高频变异策略的非支配解排序方法

说明书

技术领域

本发明涉及的是一种多目标智能优化方法，具体地说是一种在复杂约束条件下获得非支配解的方法。

背景技术

最优化问题是工程实践和科学研究中的热点问题。其中，仅有一个目标函数的最优化问题被称为单目标优化问题，目标函数超过一个并且需要同时处理的最优化问题被称为多目标优化问题。多目标优化问题起源于实际复杂系统的设计、建模和规划问题，所涉及的领域包括工业制造、城市运输、资本预算、能量分配、城市布局等，在工程实践和现实生活中的决策过程都存在多目标优化问题。起初，多目标优化问题往往通过加权等方式转化为单目标问题，然后用数学规划的方法来求解，每次只能得到一种权值情况下的最优解。然而，对于大多数多目标优化问题，往往存在这种情况：即一个解对于某个目标来说是最优的，而对于其他目标则是较差的。因此，存在一个折中解的集合，被称为非支配解集。同时，由于多目标优化问题的目标函数和约束函数可能是非线性、不可微或不连续的，传统的数学规划方法往往效率较低，且它们对于权重值或目标给定的次序较敏感。

为突破权重值算法的局限性，Goldberg以遗传算法为基础，从非支配解的角度出发，提出了非支配解排序算法，并用于求解非支配解集。但是，从实际应用效果来看，该算法存在两个主要缺点：1）所得到的非支配解不精确；2）所得到的非支配解分散，不连续，即得到的非支配解不全面。

发明内容

本发明的目的在于提供一种在处理复杂约束的多目标问题时，能够寻找到更优更全面的非支配解的基于深度搜索和高频变异策略的非支配解排序方法。

本发明的目的是这样实现的：

（1）随机产生初始种群，存储初始种群中满足约束条件的第一批非支配解；

（2）依据约束条件，将满足约束条件的个体分为一类，不满足约束条件的个体分为另一类；

（3）对满足约束条件的个体，确定非支配解，使其共享同一适应值A¹，并从余下个体中确定第二批非支配解，分配相应适应值，持续该过程，直至所有满足约束条件个体被分配适应值；

（4）生成序列：对不满足约束条件的个体，依据不满足约束条件的个数，由少到多进行排序，且满足个数相同的个体，排在同一序列中；

（5）依据个体所被分配适应值，采用轮盘赌准则选取父代个体进行杂交，以产生下一代个体；在所产生的子代个体中，随机抽取个体参与变异；

（6）计算子代个体目标函数值及约束函数值，得到子代个体中满足约束条件的第一批非支配解，并更新所存储的非支配解集；

（7）计算所存储非支配解集中各非支配解间的距离，令距离最远的两个个体杂交，产生新个体；如果新个体满足约束条件，且比父代个体优秀，则沿父代指向子代方向深度寻优，保留更优个体，并更新非支配解集；

（8）将现有非支配解个体克隆，变异克隆后所有个体，计算克隆变异后个体目标函数值和约束函数值，并通过排序方法得到克隆变异个体中满足约束条件的第一批非支配解，并以此更新所存储的非支配解群；

（9）下一代个体重复排序、杂交、变异和克隆变异过程，直至达到指定代数iter时，输出所存储的非支配解群。

本发明还可以包括：

1、所述适应值按下式计算，

Aⁿ＝A¹-(n-1)*δA

式中：Aⁿ为第n批非支配解的适应值，δA为正实数、代表相邻批次非支配解间的适应值差值。

2、所述生成序列中，第一序列个体适应值按式B¹＝A¹-N*δA计算，其它序列个体适应值按式B^m＝B¹-(m-1)*δA计算，

式中：B¹为第一序列个体适应值，N为第（3）步中非支配解总批次数，B^m为第m批次个体适应值。

3、所述各非支配解间的距离按式计算，

式中：dis为两非支配解间的距离，x_i，y_i分别代表两非支配解优化变量，p为优化变量个数。

本发明中技术改进主要是：

（1）采用排序的方法，处理多目标优化问题中的约束，为约束处理提供了一种新而有效方法。

（2）对所得到的非支配解进行操作，利用优秀个体信息去得到更优秀个体，并沿着更优方向深度寻优，从而提高算法精度；