多目標(biāo)進(jìn)化算法及其在水資源優(yōu)化調(diào)度中的應(yīng)用.pdf

1、對(duì)水資源的優(yōu)化調(diào)度是復(fù)雜的多目標(biāo)問題。對(duì)多目標(biāo)問題的處理主要分為傳統(tǒng)的處理方法和基于Pareto 最優(yōu)的進(jìn)化方法。采用傳統(tǒng)的多目標(biāo)優(yōu)化的方法，由于一次只能產(chǎn)生一個(gè)最優(yōu)解，且在把多目標(biāo)轉(zhuǎn)化為單目標(biāo)處理時(shí)由于各個(gè)目標(biāo)的重要程度難以權(quán)衡，造成權(quán)系數(shù)選取困難。而多目標(biāo)進(jìn)化算法中基于群體的進(jìn)化機(jī)制，能夠一次求出多個(gè)Pareto 最優(yōu)解，具有更好的靈活性和實(shí)用性。
　　 基于Pareto 支配關(guān)系的多目標(biāo)進(jìn)化算法，主要對(duì)非支配集的構(gòu)造、多目

2、標(biāo)進(jìn)化算法的收斂性和多目標(biāo)進(jìn)化算法群體分布性等方面進(jìn)行研究。在多目標(biāo)進(jìn)化算法中，由于適應(yīng)度值和群體多樣性等機(jī)制的設(shè)置，使得算法早熟和分布性較差。針對(duì)以上問題，本文主要對(duì)多目標(biāo)優(yōu)化中的非成熟收斂和群體分布性的問題進(jìn)行研究改進(jìn)，主要的研究成果如下：
　　 1)由于在多目標(biāo)進(jìn)化算法中計(jì)算個(gè)體適應(yīng)度值時(shí)，常采用Pareto 排序分類的方法來計(jì)算進(jìn)化群體的適應(yīng)度值。這種計(jì)算方式由于只與個(gè)體支配關(guān)系相關(guān)，所以會(huì)產(chǎn)生較大的選擇壓力，從而導(dǎo)致算

3、法非成熟收斂。因此，本文改進(jìn)了多目標(biāo)進(jìn)化算法適應(yīng)度值計(jì)算的方法，即提出了一種結(jié)合Pareto 支配關(guān)系與目標(biāo)函數(shù)值有相對(duì)關(guān)系的適應(yīng)度值計(jì)算方式，從而改善了多目標(biāo)進(jìn)化算法的收斂性和分布性。
　　 2)孟德爾多目標(biāo)簡單遺傳算法(Mendelian Multi-Objective Simple algorithm，簡稱MMOSGA)，利用二倍體的性質(zhì)提高算法在多目標(biāo)優(yōu)化中的搜索能力，使得算法具有更好的收斂性。然而，由于MMOSGA 采

4、用隱性基因和支配關(guān)系表的機(jī)制，導(dǎo)致求得的Pareto 解集分布性較差。本文針對(duì)在多目標(biāo)遺傳算法中研究中的選擇壓力過大的問題，在MMOSGA的基礎(chǔ)上，提出了二倍體多目標(biāo)遺傳算法(DiploidGenotypes Multi-Objective Genetic Algorithm,簡稱DGMOGA)。由于采用了二倍體遺傳算法中的參考碼鏈機(jī)制，并引入孟德爾算法中所缺乏的變異算子和聚類方法，提高了算法的全局搜索能力，有利于保持多目標(biāo)解群體的分布