智能算法解决多目标问题的应用

评价个体的优劣，计算当前种群每个个体对应的目标函数的函数值，然后对Pareto最优解临时储备库进行更新操作。（3） 选择操作。随机确定各目标函数权值wi=randi/randj，根据选择概率选择一对父代个体。（4） 交叉和变异，对N-Nelite对父代个体的每对执行交叉操作，每对父代个体通过交叉产生一个新个体，然后对新个体执行变异操作。（5） 从临时非劣解集中随机选出Nelite个个体与前面产生的N-Nelite个个体一起构成新的群体F′（x）。（6） 对群体中的所有解进行局部搜索，局部搜索方向由第（3）步父代个体选择时确定的权值决定，并由局部搜索产生的N个新解代替当前种群。p（x）=。公式中f为种群P中最劣个体的适应度值，在第（1）步中，各个目标函数的取值随机确定，每一组权值都将对应一种搜索方向。因此局部搜索的方向是多样的。

五、实验结果分析

通过实验可以看出：智能混合遗传算法能够有效地得到问题的pareto最优解，而且解的分布情况良好。

参考文献：

[1] 雷德明，严新平.多目标智能优化算法及其应用[M].北京：科学出版社，2009.

[2] 吴祈宗等.运筹学与最优化MATLAB编程[M].北京：机械工业出版社，2009.

推荐访问:算法 目标 解决 智能

---