多目标优化的遗传算法及其实现

遗传算法是一种通过模拟自然进化过程搜索最优解的方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域．多目标优化问题求解已成为遗传算法的一个重要研究方向,而基于Pareto最优概念的多目标遗传算法则是当前遗传算法的研究热点．本文对遗传算法的理论基础进行分析,包括模式定理等,讨论用遗传算法来解决多目标优化问题的方法并给出其实现,介绍遗传算法的各种改进措施,并指出遗传算法的发展动向．     

多流股换热器网络综合问题的优化算法设计

多流股换热器网络综合问题是一个混合整数非线性规划问题（MINLP），这类问题规模大、约束条件多，严重的非凸非线性使得目标函数存在多个局部最优解．传统的基于梯度的优化算法在求解时极易陷于局部最优．有鉴于此，本研究采用遗传算法解决此类问题，通过对遗传算法进行改进，针对简单遗传算法存在的早熟和运行参数难以确定的问题，设计了多样性保持算子和多种群进化的算法结构；计算时运行参数自适应确定，并把模拟退火算法思想引入遗传算法子代的生成中去．实例证明，采用所构造的算法可有效求解MINLP问题，并有利于寻求到全局最优解．     

两连杆桁架设计的多目标优化算法

针对两连杆桁架的多目标最优化设计问题,提出一种利用遗传算法和模糊理论来求解多目标优化问题的Pareto最优解算法,并通过实验进行验证;讨论遗传算法和模糊理论产生Pareto最优解的差异.结果显示:通过遗传算法配合近似分析的方法可以更有效率地寻找到更多的Pareto最优解.     

遗传算法在铁路客车横向稳定性多参数优化中的应用

以典型铁路客车的动力学模型为研究对象,以车辆最大可行速度为目标函数,采用遗传算法对其横向稳定性参数进行了最优化的计算研究．结果表明：遗传算法在求解车辆动力学系统的参数优化问题中具有很好的适用性．尤其是对于多参数、多峰的非线性问题,该法提供了求解问题全局最优解的可能性．     

多目标优化算法研究综述

近年来,多目标优化问题求解已成为演化计算的一个重要研究方向,而基于Pareto最优概念的多目标演化算法则是当前演化计算的研究热点．多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域。该文在比较与分析多目标优化的演化算法发展的历史基础上,介绍基于Pareto最优概念的多目标演化算法中的一些主要技术与理论结果。此外,指出并阐释了值得进一步研究的相关问题。     

系统可靠性的多目标优化计算

由于多目标优化问题存在多个最优解集合，而传统的方法往往将其转化为各目标之加权和，然后采用单目标优化技术，这种方法存在诸多缺点和脆弱性，作为一种并行算法，遗传算法能很好地解决多目标优化问题，文中在非劣性分层遗传算法的基础上对遗传算子进行改进，首先获得多目标优化问题的非劣解，然后通过对系统进行敏感性分析，有效地缩小了问题的解空间．试验对比发现，算法的速度和精度得到有效提高。     

绩效评价中最优基础工作量的研究

【目的】研究绩效分配中最优基础工作量问题。【方法】利用多目标优化工具。【结果】建立与基础工作量相关的分值转换模型、满意度模型,得到以最小化满意度差的平方和、最大化满意度和为目标的多目标优化模型,并利用遗传算法对此多目标优化模型求解。【结论】结果表明此多目标优化模型存在弱有效解,且是科学合理的。     

航站楼内多目标路径规划方法设计与实现

针对航站楼多楼层的室内导航和多目标的路径优化问题,提出一种基于改进遗传算法的航站楼内交通换乘导航路径规划方法:依据航站楼内的空间特征和环境变化建立以路径为权值和以人流密度为权值的双路网,并权衡路径的距离成本、客流拥挤度和时间成本3种因素,建立了航站楼内的多目标路径优化模型.最后使用融合广度优先搜索策略(Breadth First Search,BFS)的遗传算法在本文构建的多层路网中实现航站楼内多目标路径优化,生成考虑路径距离、拥挤度、时间成本的单目标最优路径和多目标优化路径.研究结果表明,使用融合BFS的遗传算法在本文构建的多层路网中可实现航站楼内多目标路径优化,生成考虑路径距离、拥挤度、时间成本的单目标最优路径和多目标优化路径.     

绩效评价中最优基础工作量的研究

【目的】研究绩效分配中最优基础工作量问题。【方法】利用多目标优化工具。【结果】建立与基础工作量相关的分值转换模型、满意度模型,得到以最小化满意度差的平方和、最大化满意度和为目标的多目标优化模型,并利用遗传算法对此多目标优化模型求解。【结论】结果表明此多目标优化模型存在弱有效解,且是科学合理的。
     

多目标优化问题的研究

针对传统方法求解多目标优化问题的局限性,应用一种新的算法求解。遗传算法从问题解的串集开始搜索,覆盖面大,可以同时处理群体中的多个个体,利于全局择优,减少陷入局部最优的风险,而最小生成树具有过程简单清晰、适用性广泛的特点,结合两者的优点,构造了基于生成树的遗传算法。首先通过加权目标规划法求出最优解,然后通过遗传算法和基于生成树的遗传算法求解,结果表明,对于小规模的多目标优化问题,两种算法都可以求出最优解,在求解时间方面,基于生成树的遗传算法比遗传算法更优越。     

基于相似度的可变编码长度遗传算法

遗传算法是基于生物进化原理的普适性全局优化算法。分析了编码长度对遗传算法的影响，提出相似度的概念以评价交叉操作的效率，并提出一种基于相似度的可变编码长度的遗传算法。改进方法不仅具有以任意精度达到全局最优值的能力，而且可以显著提高遗传算法的效率。测试函数的应用证明了改进算法的有效性。     

用改进的遗传算法求解中国旅行商问题

遗传算法是基于生物进化原理的普适性全局优化算法，针对一类ＮＰ完全的组合优化问题－旅行商问题，提出用交换算子操作和模拟退火思想对遗传算法进行改进，显著提高了算法的优化效率，到目前为止，中国旅行商问题的最优解是１５４２６ｋｍ，使用改进的遗传算法，仅利用城市间的距离信息求解中国诱行商问题，得到了１５４０９ｋｍ的更优结果。     

基于神经网络和遗传算法的在线优化软件设计与实现

提出了一种基于神经网络和遗传算法的在线优化体系，设计并实现了基于神经网络和遗传算法的在线优化软件包，并将该软件成功应用于甲醇合成的在线操作优化，进而对此类软件的特点进行了讨论，最后对它的应用前景作了展望。     

基于正交设计法的遗传算法

将正交设计法和遗传算法相结合，既保留了遗传算法本身的优点，又可以较好地解决遗传算法在达到全局最优解前收敛慢的问题。该算法能有效地求解函数优化问题。     

菌落图像的边缘检测方法比较

菌落图像的边缘检测在自动视觉系统里占有非常重要的地位,边缘检测的算法有很多种,包括Roberts算子、Sobel算子、Prewitt算子、Canny算子和遗传算法(GAs)等算法。文章对微生物工程里的菌落图像采用各种边缘检测方法,并对边缘检测结果进行研究比较,得出采用不同算法的优缺点,实验结果表明采用遗传算法进行边缘检测效果较好。     

基于网格法的遗传算法及其应用

在基本的遗传算法(sGA)中,初始群体是随机产生的.为了增加个体的遍历性和多样性提出-种用网格法来产生遗传算法的初始群体,并对网格法的遗传算法的优化效率进行了定量的评价.同时与基本的遗传算法一起应用在DeJong的测试函数F1上便于进行对比.评价结果和实验结果表明网格法在提高遗传算法的优化效率上是可行的.     

关于Genetic算法的研究及应用现状

基因算法是目前国内外十分热门的研究课题。本文讲述了基因算法（ＧＡＳ）的原理、发展过程及研究现状；介绍了国外有关基因算法的最新研究成果，如在机器人动力学优化控制和问题求解方面的应用。同时指出了基因算法的弱点，并讲述了人们为扩大这种算法的应用范围和克服其弱点而做的多方面的努力。     

利用遗传算法优化线性二次型调节器(LQR)

利用遗传算法对线性二次型调节器（ＬＱＲ）进行优化设计,以寻找最优控制指标中状态变量与输入变量加权矩阵的最优解．仿真结果表明,利用此方法不仅可以得到满足要求的全局最优解,而且该方法的简便易行也是传统设计中依靠人工调节所无法比拟的．     

基于遗传算法的网格结构优化方法

为了加快遗传泊进化过程,提出了基于遗传算法和满应力准则进行网格结构优化的杂交算法,杂交算法能大幅度地减少单纯采用遗传算法进行网格结构优化的解空间,其结果表明杂交算法能明显地加快遗传算法的收敛进程。     

基于遗传算法与Tabu搜索的拆卸序列优化算法

为研究废弃装配体的拆卸序列优化，首先提出了建立装配体的干涉-自由矩阵，作为描述其结构的数学模型．其次，运用遗传算法原理，提出面向装配体拆卸序列自动生成及优化的计算模型．依据初始输入的若干拆卸序列和其它控制参数，由程序搜寻几何上可行的最佳拆卸序列．这里是以装配体在拆卸过程中具有最少的换向次数为优化目标．最后，鉴于遗传计算的未熟早敛问题，提出建立Tabu搜索与遗传算法的组合优化算法．通过把Tabu搜索的集中与分散策略引入遗传算法，可望获得更加健壮的搜索行为．大量的实例验证表明，用这种方法解决装配体拆卸序列的优化问题，所生成的可行拆卸序列在适应度函数值、数量、分布范围等方面均优于单纯的由遗传算法生成的结果．