多目標進化算法及其在水資源優(yōu)化調(diào)度中的應用.pdf

1、對水資源的優(yōu)化調(diào)度是復雜的多目標問題。對多目標問題的處理主要分為傳統(tǒng)的處理方法和基于Pareto 最優(yōu)的進化方法。采用傳統(tǒng)的多目標優(yōu)化的方法，由于一次只能產(chǎn)生一個最優(yōu)解，且在把多目標轉化為單目標處理時由于各個目標的重要程度難以權衡，造成權系數(shù)選取困難。而多目標進化算法中基于群體的進化機制，能夠一次求出多個Pareto 最優(yōu)解，具有更好的靈活性和實用性。
　　 基于Pareto 支配關系的多目標進化算法，主要對非支配集的構造、多目

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

3、法非成熟收斂。因此，本文改進了多目標進化算法適應度值計算的方法，即提出了一種結合Pareto 支配關系與目標函數(shù)值有相對關系的適應度值計算方式，從而改善了多目標進化算法的收斂性和分布性。
　　 2)孟德爾多目標簡單遺傳算法(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系表的機制，導致求得的Pareto 解集分布性較差。本文針對在多目標遺傳算法中研究中的選擇壓力過大的問題，在MMOSGA的基礎上，提出了二倍體多目標遺傳算法(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，有利于保持多目標解群體的分布