基于改进遗传算法的带传动多目标模糊优化设计

合集下载

遗传算法如何处理多目标不确定优化问题

遗传算法如何处理多目标不确定优化问题

遗传算法如何处理多目标不确定优化问题引言:遗传算法是一种模拟生物进化过程的优化算法,被广泛应用于解决各种优化问题。

然而,当面临多目标不确定优化问题时,遗传算法面临着一些挑战。

本文将探讨遗传算法在处理多目标不确定优化问题时的方法和技巧。

一、多目标优化问题的定义和挑战多目标优化问题是指在优化过程中需要考虑多个目标函数的情况。

在实际问题中,往往存在多个相互关联的目标,如最大化收益和最小化成本等。

然而,多目标优化问题往往面临着不确定性,即目标函数的形式和约束条件可能不完全确定。

这给遗传算法的应用带来了一些挑战。

二、多目标不确定优化问题的建模在处理多目标不确定优化问题时,首先需要将问题建模为适应度函数的形式。

适应度函数是遗传算法中用于衡量个体适应度的函数。

对于多目标问题,可以将每个目标函数作为一个适应度函数,然后通过某种方式将多个适应度函数综合起来。

三、多目标不确定优化问题的解决方案1. Pareto优化Pareto优化是一种常用的解决多目标优化问题的方法。

它基于Pareto最优解的概念,即不存在一个解能够在所有目标函数上优于其他解。

通过遗传算法的迭代过程,不断生成新的解,并通过比较适应度函数的值来确定Pareto最优解。

2. 非支配排序非支配排序是一种用于多目标优化问题的排序方法。

它将解空间中的个体划分为多个不同的层次,每个层次中的个体都是非支配的。

通过非支配排序,可以确定Pareto最优解的集合。

3. 多目标选择在遗传算法的选择过程中,需要考虑如何选择适应度较好的个体。

对于多目标问题,可以采用多目标选择的方法。

多目标选择不仅仅考虑个体的适应度值,还要考虑个体在多个目标函数上的表现。

4. 多目标交叉和变异在遗传算法的交叉和变异过程中,需要考虑如何保持多目标问题的多样性。

可以采用多目标交叉和变异的方法,通过改变个体的染色体结构和基因序列,生成新的解,并保持多样性。

四、案例研究为了更好地理解遗传算法在处理多目标不确定优化问题时的应用,我们以某个实际问题为例进行研究。

基于改进遗传算法的多目标优化问题研究

基于改进遗传算法的多目标优化问题研究

基于改进遗传算法的多目标优化问题研究1. 绪论在现实生活中,我们常常需要面对多个决策指标,比如在生产中要最大化利润、最小化成本和最大化效率等不同考虑因素。

这时候,我们便面临了多目标优化问题。

针对这一问题,传统优化算法往往会陷入局部最优解的情况。

为了解决这一问题,学者们提出了很多多目标优化算法,其中,遗传算法因其搜索效率高、并行能力强等优点而得到广泛应用。

然而,传统的遗传算法存在着基因重复、早熟收敛和保留非支配解等问题。

因此,如何改进遗传算法,以提高其搜索效率和求解精度,是多目标优化问题研究的关键之一。

2. 多目标优化问题多目标优化问题(Multi-objective Optimizations,MOO)是指涉及多个目标函数的优化问题。

在多目标优化问题中,往往存在多个冲突的目标,这些目标很难同时达到最优状态。

同时,目标函数之间的相互作用也是非常复杂的。

因此,在求解多目标优化问题时,我们往往需要找到一些可行的权衡解或者非支配解。

3. 遗传算法遗传算法(Genetic Algorithm,GA)是生物进化过程中的分离重组原理运用于优化的一种算法。

其基本流程是:通过交叉、变异、选择等基本遗传操作,不断地对种群进行进化,直至找到最优解。

由于遗传算法具有搜索能力强、并行性高等特点,在多目标优化问题中得到了广泛的应用。

4. 多目标遗传算法针对多目标遗传算法中出现的早熟收敛、基因重复、保留非支配等问题,学者们提出了很多改进算法。

4.1 NSGA(Non-dominated Sorting Genetic Algorithm)NSGA是D. E. Goldberg等人在1993年提出来的一种基于支配与排序机制的遗传算法。

NSGA在保留非支配解的同时,通过排名机制避免了早熟收敛的问题。

4.2 SPEA(Strength Pareto Evolutionary Algorithm)SPEA是Zitzler和Thiele等人于1999年提出的一种基于支配与距离机制的遗传算法。

基于改进遗传算法的模糊pid控制器设计

基于改进遗传算法的模糊pid控制器设计

基于改进遗传算法的模糊pid控制器设计
随着现代社会的发展,自动控制技术在各个领域的应用越来越广泛,
其中模糊PID控制器的应用也越来越普遍。

模糊PID控制器是一种基
于模糊控制理论的控制器,它具有良好的抗干扰能力和自适应性,可
以有效地提高系统的稳定性和性能。

然而,由于模糊PID控制器的参
数设置比较复杂,传统的参数设置方法往往无法得到最优的控制效果。

为了解决这一问题,研究人员提出了基于改进遗传算法的模糊PID控
制器设计方法。

该方法首先将模糊PID控制器的参数设置问题转化为
一个优化问题,然后利用改进的遗传算法对模糊PID控制器的参数进
行优化设置,以获得最优的控制效果。

改进的遗传算法是一种基于遗传算法的优化算法,它结合了遗传算法
和粒子群算法的优点,具有较强的搜索能力和收敛速度。

它可以有效
地搜索出最优的参数设置,从而提高模糊PID控制器的控制效果。

此外,基于改进遗传算法的模糊PID控制器设计方法还具有计算效率高、收敛速度快等优点,可以有效地提高模糊PID控制器的控制效果。

综上所述,基于改进遗传算法的模糊PID控制器设计方法具有良好的
搜索能力和收敛速度,可以有效地提高模糊PID控制器的控制效果,
为现代社会的自动控制技术的发展提供了有力的支持。

基于改进元胞遗传算法的蜗杆传动多目标优化设计

基于改进元胞遗传算法的蜗杆传动多目标优化设计

文章编号 : 1 0 0 1 — 2 2 6 5 ( 2 0 1 5 ) 0 8— 0 0 1 0— 0 5
D O I : 1 0 . 1 3 4 6 2 / j . c n k i . m m t a mt . 2 0 t 5 . O 8 . 0 0 3
基 于改 进 元 胞 遗 传算 法 的蜗 杆传 动 多 目标 优 化设 计 术
t i v e o p t i mi z a t i o n u n d e r ha t t he t WO r l T I t r a ns i s m s s or f s re t n g h t a n d s t i f f n e s s a n d o t h e r s .An
该算 法 同其 他典 型 的 多 目标 进化 算法在 标 准测试 函数上 进行 性 能对 比试 验 , 结果 显 示所提 出的 算 法
相 比其他 算法具 有 更好 的收 敛性 和 分 布性 。 工程 实例 的 求 解证 明 了该 算 法 可有 效 解 决相 关 实 际 问
题。
关键 词 : 元 胞遗 传算 法 ; 蜗杆 传动 ; 多 目标优 化设 计
t r o l w a s f o r m e d . A i mi n g a t he t c h ra a c t e i r s t i c s o f c e l l u l a r mu l t i — o b j e c t i v e o p t i mi z a i t o n a l g o r i t h m, he t n e w i m—
第 8期 2 0 1 5年 8月
组 合 机 床 与 自 动 化 加 工 技 术
Mo d ul a r Ma c h i ne To o l& A u t o m at i c Ma n uf a c t ur i n g Te c hn i q ue

基于改进遗传算法的多目标优化研究

基于改进遗传算法的多目标优化研究

基于改进遗传算法的多目标优化研究随着科技和工业的不断发展,人们对于优化问题的需求越来越高。

在很多领域中,人们不再关注单一的目标函数,而是需要同时考虑多个目标,这就是多目标优化问题。

多目标优化问题,在形式上等价于寻找多维空间中的一条非支配曲线,这条曲线尽可能地满足所有的目标函数。

此外,多目标优化问题的解有很多种,它们也对应这条曲线上的不同点。

这就使得我们需要在多个策略之间进行权衡和选择。

在解决这种问题时,遗传算法是一种行之有效的方法。

它模拟了进化中的基因遗传过程,通过不断的进化和选择来获得更好的解。

然而,传统的遗传算法在解决多目标优化问题时存在一些问题。

首先,由于遗传算法将每个个体视为一个解,它只能找到一条非支配曲线上的一个点。

这就意味着,传统的遗传算法无法在曲线上提供多个解。

其次,由于传统的遗传算法只在搜索到新的最优解时才会更新种群,这就会导致算法在解空间的某些区间内停滞不前。

为了解决这些问题,科学家们发明了改进遗传算法,也就是多目标遗传算法。

多目标遗传算法可以同时评估每个个体的适应度和多个目标函数值。

这使得算法可以在一个种群中找到多个非支配解,并在压力成长步骤中进行选择和更新。

改进遗传算法使用一种称为 Pareto 前沿的思想,这种思想是指在多目标问题中比较解时必须考虑到所有目标。

在 Pareto 前沿上的所有点都是非支配的,他们不能被其他点所支配。

因此,Pareto 前沿上的点被视为最好的解。

改进遗传算法还使用了 elitism 的思想,这种思想是指在每代中保留最好的解,以保证算法不会失去控制。

改进遗传算法还可以借助其他的算法来提高其性能,例如,可以使用模拟退火算法来对种群进行进一步改进。

此外,改进遗传算法还可以借助人工神经网络来分类和选择最终得到的解。

总之,改进遗传算法是解决多目标优化问题的有效方法。

它通过 Pareto 前沿和elitism 等思想,可以同时获得多个非支配解,从而更好地满足多个目标函数。

基于改进遗传算法的多目标优化问题研究

基于改进遗传算法的多目标优化问题研究

基于改进遗传算法的多目标优化问题研究在现代产业和科学中,多目标优化问题是一个非常普遍的问题。

这些问题通常涉及到一组相互矛盾的目标,比如成本和质量、效率和准确性等等。

要找到这些矛盾目标之间的平衡点是一个具有挑战性的问题,需要综合考虑各种因素。

在这篇文章中,我们将介绍一个基于改进遗传算法的多目标优化问题研究,来探讨如何解决这个问题。

1. 多目标优化问题介绍多目标优化问题是现代工业和科学中不可避免的一种问题。

它的目标是在优化问题中,考虑多个不同的目标,而这些目标之间彼此矛盾,无法同时完全达成。

例如,在制造业中,最小化生产成本和最大化产品质量之间存在着矛盾。

在医学中,最小化手术时间和最大化治愈率之间存在矛盾。

多目标优化问题的目标不可彻底达到,因此考虑达到一个平衡点,使得每个目标都能够被部分达成。

这通常会以一组Pareto最优解的形式出现,这些解是不可被其他解支配的最佳解之一。

这些解构成了一个Pareto前沿。

2. 改进遗传算法简介在多目标优化问题中,遗传算法是一种非常有效的方法。

这是一种基于生物学进化理论的搜索算法,用于寻找一个有着高适应值的解决方案。

它的工作原理是通过模仿生物进化中的遗传、变异和选择过程来生成新的解决方案,以提高适应值。

改进遗传算法是一种特殊的遗传算法,它引入了一些改进的控制策略,以提高算法的搜索效率和准确性。

这些改进包括父母选择方法、变异操作、群体多样性维护方法等。

3. 基于改进遗传算法的多目标优化问题研究改进遗传算法被广泛应用于多目标优化问题研究中。

使用改进遗传算法来解决多目标优化问题需要进行以下三个步骤:(1)定义问题和目标:首先,需要明确多目标优化问题的定义和目标。

这些目标应该是可度量的、相互矛盾的,并且能够表示最佳解的特征。

(2)设计适应度函数:接下来,需要设计适应度函数,用于评估每个可能的解决方案的适应度。

适应度函数的设计应该考虑到多个不同目标之间的权重关系。

(3)执行改进遗传算法:最后,应该执行改进遗传算法来搜索多目标优化问题的最佳解。

基于遗传算法的多目标优化问题求解技术研究

基于遗传算法的多目标优化问题求解技术研究

基于遗传算法的多目标优化问题求解技术研究随着时代的不断变化和科技的不断发展,越来越多的问题需要我们来解决。

在解决这些问题的过程中,许多问题都需要寻找最优解或者最优解集。

多目标优化就是面临这样一种情况,需要在众多的解中找到最佳的解集。

在多目标优化问题中,不同的相对重要性目标之间可能会存在冲突,为了寻找最佳的解集,我们需要一些专门的算法来解决这些问题。

其中,基于遗传算法的多目标优化问题求解技术是一种非常有效的算法。

一、多目标优化问题什么是多目标优化问题?简而言之,多目标优化问题就是不止一个目标的优化问题。

在一个多目标优化问题中,通常需要同时考虑多个目标。

例如,在生产制造领域中,我们可能需要同时优化成本和质量。

在交通规划领域中,我们可能需要同时优化安全性和效率,等等。

由于涉及到的不止一个目标,因此解决这种问题需要特别的算法。

对于一个多目标优化问题,我们通常需要寻找一个最优解集,而不是单个最优解。

在最优解集中,所有解都是等价的,但在一个特定的问题情境中,有些解集可能更优。

具体来说,解集的优劣要根据问题情境和目标权值的设置而定。

不同的问题需要不同的解集,因此,我们需要一些算法来帮助我们寻找这些解集。

二、基于遗传算法的多目标优化问题求解技术基于遗传算法的多目标优化问题是一种非常有效的技术。

根据遗传算法的原理,我们可以通过一种适应性度量方法来获取目标函数的值。

这种度量方法可以帮助我们识别哪个解更优,同时也可以帮助我们寻找多个等价解的集合。

在遗传算法中,我们通常使用染色体表达式来表示解,其中,每个基因都代表着解中一个特定的参数。

通过模拟繁殖的过程,遗传算法可以帮助我们产生新的解,这些解有一定的变异率,使得多样性也得到了保留。

在捕获最优解集的同时,基于遗传算法的技术还可以帮助我们快速搜索整个解空间,这一优点为其在多目标优化问题中的应用提供了坚实的基础。

三、基于遗传算法的多目标优化问题的应用遗传算法作为一种优秀的优化算法,已经被广泛应用于多个领域,包括工程、自然科学、商业和经济等。

利用遗传算法优化模糊控制器设计

利用遗传算法优化模糊控制器设计

利用遗传算法优化模糊控制器设计遗传算法(Genetic Algorithm, GA)是一种基于生物进化的随机搜索算法。

它的优越性能使得它在很多领域得到了广泛应用,其中就包括了模糊控制领域。

模糊控制器(Fuzzy Controller)是一种被广泛应用的控制技术,它可以通过对输入变量进行模糊化,从而处理模糊信息,输出一个模糊的控制信号。

在本文中,我们将探讨如何利用遗传算法优化模糊控制器的设计。

一般来说,模糊控制器的设计通常分为三步:建立模糊规则库、确定隶属度函数和合成控制规则。

其中,建立模糊规则库是通过专家经验或者试错法来完成的。

确定隶属度函数则需要具有一定的控制经验和知识,这是一个非常困难的问题。

而合成控制规则则是通过将输入变量进行模糊化,然后经过“模糊推理”得到输出控制信号的过程。

遗传算法的优化思想是“自然选择”和“适者生存”。

通常情况下,遗传算法的过程包括以下几个步骤:1. 初始化种群:将每个个体表示为一个染色体,并初始化种群中的每个个体。

2. 评价适应度:对每个个体进行适应度评估,以便于对它们进行选择。

3. 选择配对:在评估适应度的基础上,选择两个个体进行杂交。

4. 杂交和变异:用交叉和变异操作对两个个体进行操作,产生新的后代。

5. 替换:根据新生成的后代更新种群。

6. 终止条件:如果达到了预设的终止条件,则算法停止运行。

在遗传算法中,一个个体的适应度通常是通过目标函数来衡量的。

在模糊控制器中,目标函数通常是系统的性能。

例如,我们可以采用反馈误差的平方和(Sumof Squared Error, SSE)来作为优化目标函数。

因此,我们可以将遗传算法应用于模糊控制器的优化问题中。

在利用遗传算法对模糊控制器进行优化时,我们通常需要确定以下几个问题:1. 模糊规则库的个数和规则数:这往往是通过专家经验来确定的。

2. 隶属度函数的形状和个数:这往往是需要进行优化的。

3. 目标函数的选择:计算系统误差的平方和(SSE)或者最大误差(ME)都是常见的选择。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
28
文章编号: ( 2006) l004 - 2539 05 - 0028 - 03
机械传动
2006 年
基于改进遗传算法的带传动多目标模糊优化设计
(西安理工大学 机械与精密仪器工程学院, 陕西 西安 7l0048)


魏锋涛


摘要
以带轮体积最小和传动轴受力最小为目标 建立优 化数 学 模 型, 利用改进遗传算法求得该优
F = 2 zF 0 Sin
"l f( X ) 2! 2
式中, ( N) , F 0 为单根带张紧 力 F 0 = 500
( kW ) ; + g1 2 ; K 为工作 情 况 系 数; P 为额定功率 1 为 带速 ( m / S) ; K" 为 包 角 系 数; g 为带单位长度的质量 ( kg / m) ; ( ) 。 z 为带的根数; "l 为小带轮包角 ! . # 确定约束条件 l .3 .l 小带轮直径限制 由于直径大, 传 动的功 率 也大; 因此在条件允 许 时, 应 选 取 较 大 的 带 轮 直 径, 以 减少弯曲应力引起 的 转 矩 损 耗, 同时也可以提高胶带 的寿命。但带轮直 径 将 受 到 传 动 外 廓 尺 寸 的 限 制, 需 满足 D lmin " D l " D lmax , D lmin 和 D lmax 可 根 据 带 型 确 定, 此约束条件为 g( = D l - D lmin # 0 l X) g( = D lmax - D l # 0 2 X) l .3 . 2 小带轮包角限制 (3) (4) 带传动的有效圆周力随
l
! .!
[ l ~ 3] 带传动多目标优化数学模型
选择设计变量 选择 小 带 轮 的 直 径 D l 和 带 的 基 准 长 度 L d 为 带
包角的增大而增大, 为避免降低传动效率, 小带轮包角 不可过 小, 必 须 满 足 "#"lmin 。 一 般 情 况 下, "lmin = 所以约束条件为 l20 ,
!D 1 I 1 g( = - 5!0 6 X) 60000 !D 1 I 1 g( = 25 0 7 X) 60000 ! 1 . 4 数学模型
X = {x 1 X" R S.t.
2 T x2} = {D 1 T Ld }
(8) (9)
综上所述, 带传动多目标优化设计的数学模型为 ( X) , } min F = {f( f( 1 X) 2 X) …, g( 2, 7) !0 ( i = 1, i X) (10)
在最佳带速 以下, 带传 递
功率的能力与带速成正比; 但超过最佳带速, 带传递功 率的能力与带速成 反 比; 到达极限带速时带会出现打 滑。因此, 设 计 时 带 速 应 满 足 1 min " 1 " 1 max , 通常取
第 30 卷
第5期
基于改进遗传算法的带传动多目标模糊优化设计
29
1 min = 5m / S, 1 max = 25m / S。 由 于 1 = 条件为
2
2 .1
[ 4 ~ 8] 设计实例及计算过程
设计实例 某通风机用 V 带 传 动。选 用 异 步 电 动 机 驱 动, 电
则 f( 比 f( 显然有 0 $ r jst $ 1 。若 0 . 5 < r jst $ 1 , j xs ) j xt ) 优先; 若 0 $ r jst < 0 . 5 , 则 f( 比 f( 优先; 若 r jst = j xt ) j xs ) 同时假定 r jss = r jtt = 1 。 0 . 5 ,则无法确定。 r jst + r jts = 1 , 因为在同一样品中比较优先, 而又必须选择其一, 故只 能选择 r jss 自己和 r jst 自己。 (3)建立每一个目标的相似优先矩阵 R j 以相似优先比 r jst 为 元 素 组 成 的 矩 阵 R j 叫 相 似 优 先矩阵, 其中 r j11 r j12 … r j1 f r r j22 … r j2 f j 21 = [ r jst ] Rj = fX f … … … … r jf 1 r jf 2 … r jff ( j = 1, …, …, 2, m; s、 t = 1, 2, f) 由于本优化 问 题 有 2 个 目 标 和 3 个 有 效 解, 所以 求得的相似优先矩阵 R j 为 0 . 33 0 . 47 0 . 18 0 . 44 1 1 R 1 = 0 . 67 1 0 . 64 , R 2 = 0 . 82 1 0 . 78 0 . 53 0 . 36 0 . 56 0 . 22 1 1 ( 的 " 截矩阵, 确定优先序号和最 2 .3 .2 作 R 2) j j = 1, 优解 (1)作 " 截矩阵, 满 足 max ( j = 1, 2; s、 t "$ max r jst 。 = 1, 2, 3) (2)确定 一 个 目 标 各 有 效 解 的 绝 对 优 先 序 号 N jr ( j = 1, 。序号越小的行接近理想解的程 2; r = 1, 2, 3) 度越高。根据各行 序 号, 便知一个目标中的各有效解 接近理想解的绝对优先程度。 (3) 确定所 有 目 标 的 绝 对 优 先 序 号, 得 出 最 优 解。 对所有 R ( 作 完 N jr 后, 按 每 行 所 得 的 序 号 N jr 2) j j = 1, ( j = 1, , 按 行 求 和, 便得所有目标的绝对 2; r = 1, 2, 3) 优先 序 号 N ( , 序号和最小的一个 (即 r = 1, 2, 3) r 所对应的有效解便是多目标的最优解。各 有效 min N r )
(1) (1) # # X = {x 1 (1) T #} x2 ={ 149 . 1 T , 2547 . 1}
f 1 # = 6926923
(2) (2) # # X = {x 1 (2) T #} x2 ={ 148 . 9 T , 2543 . 3}
f 2 # = 1793 2 .2 .2 有效解 分别用理想点法、 线 性 加 权法 和 平 方加权法 3 种多目标优化方法及改进遗传算法对该 多 目标优化问题进行求解, 得到以下 3 组有效解。 X 1 # = {x 1 # F1 = { 7001456 X 2 # = {x 1 # F2 = { 6889807 X3
T Ld }
传动的设计变量, 即 X = {x l ! ."
T x2} = {D l
建立目标函数 在普通 V 带传动 的优 化设计 中, 需 要 达 到最 优 的
(l80 g( = 3 X) l .3 . 3
D2 - Dl (5) X 60 ) - l20 # 0 a 中心距限制 增 大 中 心 距, 可增大带轮包
( D l2 + D 22 ) (l) V = Vl + V2 = ! B ! f( l X) 4 式中, ( mm) , B 为带轮宽 度 B =( z - l ) e + 2 f; Dl 为 小 带轮基准直径 ( mm) ; ( mm) ; D 2 为大带轮基 准直 径 z为 带的根数; ( mm) ; e 为槽间距 f 为第 一槽 对 称 面至 端 面 的距离 ( mm) 。
化问题的理想解和若干个有效解, 并根据相似优先 比理 论最终 确定 其 模 糊 最 优 解。该 问 题 的 求 解 过 程 表明, 这种多目标优化问题的解决方法是一种更科学、 更符合实际的设计方法, 具有较好的实用价值。 关键词 带传动 多目标优化 改进遗传算法 模糊 l .2 .2 相似优先比 传动轴受力 用 F 表示 (2) PK 2 . 5 ( - l) 1z K "
ቤተ መጻሕፍቲ ባይዱ
目标很多, 如带的最 佳 转 速、 带 的 最 少 根 数、 最小中心 距、 最小带轮体积、 传动轴受力最小等等。为了使问题 不过于复杂, 本文只 选 择 带 轮 体 积 最 小 和 传 动 轴 受 力 最小作为带传动的目标函数。 l .2 .l 带轮体积 用 V 表示
角, 有利于 提 高 传 动 效 率, 对减缓带的疲劳损耗也有 益。但太大的中心 距 会 增 加 传 动 尺 寸, 要求中心距满 足 "min """"max , 通常为 0 . 7 ( Dl + D2 ) ( Dl + """ 2 , 所以约束条件为 D2 ) ( Dl + D2 ) g( = a - 0 .7 #0 4 X) ( Dl + D2 ) g( =2 - a #0 5 X) l .3 .4 带的线速度限制 (6) (7)
!D 1 I 1 , 所以约束 60000
2 .3
[9] 用相似优先比确定多目标问题的最优解
应用相似 优 先 比 确 定 多 目 标 最 优 解 的 基 本 思 想 是, 先单独求出各单目标的最优解, 以此构成多目标的 理想解; 再根据相似 优 先 比 理 论 找 出 各 种 有 效 解 与 理 想解的相似 (或接 近) 的 程 度; 与理想解相似 (或 接 近) 的程度最高的有效解即为多目标优化的最优解。 2 .3 .1 确定相似优先比建立相似优先矩阵 (1 ) 由公式 d jr = I f j # - f ( ( I j = 1, 2; r = 1, 2, 3) j xr ) 计算海 明 距 离, 其 中 fj # 为 理 想 解 F # 的 第 j 个 目 标 值, ( 为有效解 F r 第 j 个目标值。 f j xr ) (2) 由下式计算相似优先比 r jst = ( I fj # - f I d jt j xt ) = # # d ( ( I fj - f I + I fj - f I js + d jt j xs ) j xt ) ( j = 1, 2; r = 1, 2, 3)
相关文档
最新文档