基于多智能体遗传算法的约束优化方法研究

《基于多智能体遗传算法的约束优化方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要I摘要遗传算法的出现为复杂优化问题的求解提供了新的思路。由于它具有智能性、通用性、稳健性和全局搜索能力，遗传算法在很多领域取得了很大的成功。现实世界中存在大量的优化问题，特别是在科学研究和工程实践领域，而这些问题往往都带有约束条件。由于问题自身的特点，传统方法已经难以独立解决。遗传算法作为一种基于群体搜索的全局优化方法，十分适合于约束优化问题的求解。本论文对遗传算法求解约束优化问题进行了深入的研究，主要研究工作包括以下几个方面：（1）将智能体遗传算法的邻域竞争算子与一个有效的约束优化技术相结合，提出了一种基于智能体遗传算法的约束优化方法。该方法能充

2、分利用不可行解的信息，使得算法能更准确的找到全局最优解。通过对12个标准函数的仿真实验，结果表明我们的方法具有良好的性能。（2）将可行域逼近策略用于智能体遗传算法求解约束优化问题。该方法在进化过程中使得算法的解逐步逼近全局最优解，从而避免了算法陷入局部最优。实验中用12个标准函数进行测试，结果表明该方法优于其它方法。（3）将传统优化算法与智能体遗传算法相结合，提出了混合智能体遗传算法求解约束优化问题。该方法克服了遗传算法收敛速度较慢，且局部搜索能力不强的缺点。实验中用12个标准函数进行仿真，结果表明该算法是一类高效的非精确混合遗传算法。（4）将智能体遗

3、传算法与一种有效的约束优化技术相结合，提出了一种新的方法处理布局优化问题。布局优化是NP难问题，也是复杂的非线性约束优化问题，传统的优化方法容易陷入局部最优，我们提出的方法克服了陷入局部最优的缺点。分别通过对5个圆问题和7个圆问题进行仿真实验，结果表明该方法提高了布局优化问题解的质量。关键词：约束优化，智能体遗传算法，可行域逼近策略，混合遗传算法AbstractIIIAbstractEvolutionaryAlgorithmprovidesanewwaytosolvecomplexoptimization problems.Becauseofitsin

4、telligence,universality,robustnessandglobalsearchability, EAshavebeenwidelyusedinthisfieldandhaveagreatsuccessinrecentlyseveral decades.Itiscommontofaceanumberofoptimizationproblemsinmanyareasofthe realworld,especiallyinthescienceandengineeringfields.However,theseproblems areoft

5、enconstrained.Becauseofthedifferentfeaturesoftheseproblems,thetraditional methodsarehardtosolvetheseproblemseffectively.Asroustpopulation-basedglobal searchmethods,EvolutionaryAlgorithms(EAs)areverypromisingtosolvethe constrainedoptimizationproblems.Theaimofthisdissertationistoe

6、xplorethetheoriesandmechanismsofEAs,and todothecorrespondingtheoreticandexperimentalanalyses.Themainresearchworkin thisdissertationconsistofthefollowingaspects.(1)Weextendthemultiagentgeneticalgorithm(MAGA)tosolveconstrained optimizationproblems(COPs)(MAGA_COPs)bycombiningthenei

7、ghborhood competitionoperatorwithanefficientconstrainthandlingtechnique.Thismethodcan makegooduseoftheinformationofinfeasiblesolutionswhichisaimatguidingthe searchtowardtheglobaloptimaofCOPs.Thisalgorithmistestedon12benchmark functions,andtheresultshowsthat12benchmarkfunctionsca

8、nfindglobaloptima. (2)Anapproximationstrategyfo