0104045改进的多目标遗传算法在结构优化设计中的应用.doc

改进的多目标遗传算法在结构优化设计中的应用
关志华作者简介:关志华(1971-),男,天津大学管理学院99秋季博士,主要研究方向为多目标进化算法及其应用。

(天津大学管理学院9013信箱天津 300072)
万杰
(河北工业大学管理学院天津 300000)
摘要本文探讨了多目标遗传算法(MOGA)存在的问题,并提出了相应的改进策略。这些策略包括:小生境技术、适应度共享策略、交叉限制、改进的终止准则等。通过采用这些策略对MOGA进行改进,使之可以克服在终止准则和小生境形成上的缺陷,从而使算法既可以对问题空间进行更广泛的搜索又可以可靠的、迅速的收敛于优化解,为最终决策提供了帮助。最后,给出了改进的MOGA在结构优化设计中的两个应用实例。
关键词多目标优化问题,结构优化设计,遗传算法
1 引言
带有m个目标函数的多目标优化问题(MOOP)的数学表达式如下:
由于在MOOP中,多个设计变量有时是相互矛盾的。所以,这里的最小化(Minimize)问题,从实际意义上来说,其实是指当综合考虑所有的目标函数时的优化解(Pareto 解)。尽管也许全部的目标函数都不能优化到它们各自作为单目标函数时的最优解,但是,在多目标情况下,对其中任意一个单个的目标函数的优化都不能以降低其它函数的优化解为代价。这就是多目标优化不同于单目标函数优化的地方,也正是它的难点。这里,为了区别进化过程中的Pareto 解集和MOOP最终得到的Pareto解集,我们把进化过程中的Pareto 解集称为近优解集(non-inferior),而在其它文献中这两个名词通常表示同一概念。
适用于多目标优化问题的遗传算法(MOGAs)是在经典遗传算法(GAs)的基础上修改得到的。多目标优化问题的遗传算法在适应度分配策略上不同于经典遗传算法。本文探讨了现有的MOGAs的主要缺点,并在此基础上提出了一些改进策略。
在使用MOGA进行多目标问题优化时,为了得到最终的解集,MOGA必须对尽可能多的近优解集进行分析,而这些解是均匀的分布在解空间中的,这就会使MOGA的效率降低。但是,只有求得大量的解才可能得到一个连续的、平滑的Pareto曲面,从而使MOGA可以尽快地收敛于优化解。当然,收敛速度同时也依赖于终止准则的选取。在单目标优化问题中,终止准则可以定为:
“在N代进化中适应度值没有改进”或直接定为“进化N代”,而在MOGA中却不能如此简单的定义,因此,需要有一种策略来检测MOGA是否已经得到了Pareto解集。
目前, MOGA存在如下主要问题:
(1) 如何指导种群跳出相邻的小生境(niche)从而尽可能的搜索更多的Pareto集。要做到这一点,必须同时满足两个相互矛盾的条件,1)算法必须能够识别近优解集中的群体或个体簇是来源于哪个小生境。因为在进化初期会产生许多小生境,随着进化过程的进行,这些小生境将会扩张超出其边界,这有可能会导致MOGA难以收敛或导致进化过程更接近随机搜索过程,从而效率低下。通过在父代选择阶段采取一些改进策略可以避免这个问题。2)算法必须能阻止这些小生境中的群体过分地集中一些适应值较高的个体附近,而使得小生境过分收缩。从而可能会导致过早地收敛与近优解集。要避免这个问题,可以禁止同一个小生境中的父代交叉。这两个条件一个要尽量抑制小生境的扩张,另一个又