專利名稱：一種基于進(jìn)化優(yōu)化算法的有約束問(wèn)題優(yōu)化方法
技術(shù)領(lǐng)域：
本發(fā)明屬于運(yùn)籌學(xué)領(lǐng)域，涉及一種基于進(jìn)化優(yōu)化算法的有約束問(wèn)題優(yōu)化方法。
背景技術(shù)：
非線性約束優(yōu)化問(wèn)題是一類廣泛應(yīng)用于科學(xué)和工程領(lǐng)域中，而且又是比較難以解決的問(wèn)題。傳統(tǒng)的求解該類問(wèn)題的方法通常是基于梯度的局部搜索方法，它們只適用于目標(biāo)函數(shù)和約束條件都可微的情況，且一般只能保證求到局部最優(yōu)解。另一方面，在科學(xué)和工程領(lǐng)域中的一些非線性約束優(yōu)化問(wèn)題常常需要大量的計(jì)算，這樣就要占用較長(zhǎng)的時(shí)間資源。發(fā)展到二十世紀(jì)90年代，大量基于進(jìn)化算法的優(yōu)化方法逐漸被重視。但目前的進(jìn)化算法很少考慮約束條件。而約束處理是工程優(yōu)化問(wèn)題中一個(gè)關(guān)鍵部分，因此有必要建立一個(gè)有效的方法求解一般的約束優(yōu)化問(wèn)題。解決約束優(yōu)化問(wèn)題關(guān)鍵是處理約束問(wèn)題，也就是協(xié)調(diào)可行域和不可行域之間的搜索。而對(duì)于不同的約束條件，需要合理分配權(quán)重。權(quán)重選取基于下面這種思想對(duì)目標(biāo)函數(shù)的權(quán)重來(lái)說(shuō)，若目標(biāo)函數(shù)越不好，它對(duì)應(yīng)的權(quán)重越大。對(duì)約束函數(shù)來(lái)說(shuō)，若個(gè)體滿足約束，則它對(duì)應(yīng)權(quán)重為0 ；若個(gè)體不滿足約束，則約束函數(shù)越偏離可行域，它對(duì)應(yīng)權(quán)重越大。懲罰函數(shù)法是處理約束優(yōu)化問(wèn)題常用的方法。它的基本思想是通過(guò)對(duì)目標(biāo)函數(shù)引進(jìn)一個(gè)懲罰項(xiàng)來(lái)構(gòu)造懲罰適應(yīng)值函數(shù)，將一個(gè)約束優(yōu)化問(wèn)題轉(zhuǎn)換為一個(gè)無(wú)約束的優(yōu)化問(wèn)題。其中包括靜態(tài)懲罰函數(shù)法、動(dòng)態(tài)懲罰函數(shù)法、退火懲罰函數(shù)法、自適應(yīng)懲罰函數(shù)法、協(xié)同進(jìn)化懲罰函數(shù)法和死懲罰函數(shù)法.懲罰函數(shù)的主要不足是懲罰參數(shù)的選取比較凼難，而算法的性能又強(qiáng)烈地依賴于參數(shù)。如果懲罰項(xiàng)參數(shù)過(guò)大，可能可以保證進(jìn)入可行域，但是會(huì)降低對(duì)不可行域的探索，因此失去了由不可行解提供的一些有價(jià)值的信息；如果懲罰項(xiàng)參數(shù)過(guò)小，那么許多搜索時(shí)間都用在了不可行域上，因?yàn)閼土P項(xiàng)相對(duì)于目標(biāo)函數(shù)將被忽略。一般而言，一個(gè)有約束的優(yōu)化問(wèn)題可以描述成下面的非線性規(guī)劃問(wèn)題minf(x)(1)服從于下面的線性或非線性約束 ‘
權(quán)利要求
1.一種基于進(jìn)化優(yōu)化算法的有約束問(wèn)題的優(yōu)化方法，其特征在于所述優(yōu)化方法是一種基于自適應(yīng)懲罰函數(shù)法的群智能進(jìn)化算法，設(shè)優(yōu)化的目標(biāo)函數(shù)為
2.根據(jù)權(quán)利要求1所述的有約束問(wèn)題的優(yōu)化方法，其特征在于，所述的進(jìn)化優(yōu)化方法可以是遺傳算法、粒子群優(yōu)化算法、差分進(jìn)化算法、蟻群優(yōu)化算法、免疫優(yōu)化算法等各類基于群計(jì)算的進(jìn)化優(yōu)化算法。
3.根據(jù)權(quán)利要求1所述的有約束優(yōu)化問(wèn)題方法，其特征在于，有約束的優(yōu)化問(wèn)題采用懲罰函數(shù)的方法，懲罰因子自適應(yīng)實(shí)現(xiàn)。
4.根據(jù)權(quán)利要求3所述的懲罰因子自適應(yīng)實(shí)現(xiàn)方法，其特征在于，懲罰因子自適應(yīng)實(shí)現(xiàn)是通過(guò)種群中所有個(gè)體違反約束的個(gè)數(shù)以及違反程度共同作用實(shí)現(xiàn)的。
5.根據(jù)權(quán)利要求4所述的懲罰因子的自適應(yīng)實(shí)現(xiàn)方法，其特征在于，對(duì)應(yīng)小于零的不等式約束條件，如果個(gè)體滿足約束，則設(shè)該個(gè)體違反相應(yīng)約束的程度為0，否則違反約束的程度為gi (X)；對(duì)應(yīng)等式約束，如果滿足約束條件，則設(shè)個(gè)體違反約束的程度為0，否則設(shè)個(gè)體違反約束的程度為Ih(X) |。
6.根據(jù)權(quán)利要求1和權(quán)力要求5所述的自適應(yīng)懲罰因子設(shè)定方法，其特征在于，計(jì)算種群中所有個(gè)體的目標(biāo)函數(shù)值之和的絕對(duì)值I SFl，以及每個(gè)約束的違反程度之和SS(k)，k = 1，...，n，n+l，…，n+m，每個(gè)約束的懲罰因子為I SFI/SS (k)。
7.根據(jù)權(quán)利要求1所述的方法，其特征在于，除計(jì)算種群中違反約束的程度，還計(jì)算種群中滿足約束的比例，根據(jù)該比例修正權(quán)利要求6所述的懲罰因子，假設(shè)種群中滿足約束k的個(gè)體數(shù)為MK(k)，則對(duì)于該約束的懲罰因子修正為
全文摘要
本發(fā)明涉及一種基于進(jìn)化優(yōu)化算法的有約束問(wèn)題優(yōu)化方法。該種方法針對(duì)有約束的優(yōu)化問(wèn)題采用懲罰函數(shù)的方法來(lái)處理約束問(wèn)題，并利用群智能優(yōu)化算法進(jìn)行帶懲罰項(xiàng)的函數(shù)優(yōu)化。采用這種優(yōu)化方法，在算法迭代過(guò)程中每個(gè)約束項(xiàng)的懲罰系數(shù)由種群中所有個(gè)體滿足約束條件的個(gè)數(shù)、違反約束的程度以及種群中所有個(gè)體的目標(biāo)函數(shù)之和共同確定懲罰系數(shù)。這樣避免了懲罰系數(shù)過(guò)大或過(guò)小的問(wèn)題，促使算法在每次迭代盡可能使種群中的個(gè)體在滿足約束與不滿足約束方面達(dá)到一個(gè)平衡，并避免實(shí)際工程問(wèn)題優(yōu)化無(wú)法給出合適懲罰系數(shù)的問(wèn)題。
文檔編號(hào)G06N3/00GK102289713SQ20111025390
公開日2011年12月21日 申請(qǐng)日期2011年8月31日 優(yōu)先權(quán)日2011年8月31日
發(fā)明者張 杰, 李洪濤, 李紹軍, 楊玉和, 桑志祥, 董躍華, 趙晶瑩 申請(qǐng)人:華東理工大學(xué)