多目标进化算法matlab_多目标优化算法介绍

大多数工程和科学问题都是多目标优化问题，从本专业的角度来说，例如建筑运行节能与室内光热舒适的权衡、能源系统的经济效益与碳排放的权衡等。

存在如此多个彼此冲突的目标，如何获取这些问题的最优解，一直都是学术界和工程界关注的焦点问题。与单目标优化问题不同，多目标优化的本质在于，大多数情况下，某目标的改善可能引起其他目标性能的降低，同时使多个目标均达到最优是不可能的，只能在各目标之间进行协调权衡和折中处理，使所有目标函数尽可能达到最优，而且问题的最优解由数量众多，甚至无穷大的Pareto最优解组成。

智能优化算法是一类通过模拟某一自然现象或过程而建立起来的优化方法，和传统的数学规划法相比，智能优化算法更适合求解多目标优化问题。首先，大多数智能优化算法能同时处理一组解，算法每运行一次，能获得多个有效解。其次，智能优化算法对Pareto最优前端的形状和连续性不敏感，能很好地逼近非凸或不连续的最优前端。这类算法包括进化算法、粒子群算法、禁忌搜索、分散搜索、模拟退火、人工免疫系统和蚁群算法等。

1.进化算法

进化算法来源于对生物进化过程的模拟，它将问题的求解表示成染色体的适者生存过程，通过染色体的一代代进化，最终收敛到最适应环境的个体(即问题的最优解或满意解)，该类算法主要包括遗传算法(GA)、进化策略(ES)和进化规划(EP)等。

2.粒子群算法

粒子群算法来源于对鸟群优美而不可预测的飞行动作的模拟，粒子的飞行速度动态地随粒子自身和同伴的历史飞行行为改变而改变。是在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获取最优解。

3.禁忌搜索

禁忌搜索是一种全局逐步优化算法，它模拟人类的智力过程，通过引入一种灵活的存储结构和相应的禁忌规则来避免迂回搜索，并通过藐视原则来赦免一些被禁忌的优良状态，进而保证多样化的有效搜索以最终实现全局优化。

4.分散搜索

分散搜索主要组成部分包括五个方法：多样化产生方法、改进方法、参考集更新方法、子集产生方法和组合方法等。分散搜索十分灵活，它的每个组成部分都能采取不同的方式实现。

5.模拟退火

模拟退火是基于Mente Carlo迭代求解策略的随机寻优算法，其出发点是固体物质的退火过程与一般组合优化问题的相似性，从某一初温开始，随着温度的降低，结合概率突跳特性在解空间中搜索最优解，即在局部解时能概率性地跳出并最终趋于全局最优。

6.人工免疫系统

人工免疫系统是一种模仿生物免疫系统功能的智能系统，免疫系统是—种复杂的分布式信息处理学习系统，这种系统具有免疫保护、免疫记忆、免疫学习功能以及较强的自适应性、多样性、学习、识别和记忆等特点。抗原、抗体、抗原和抗体之间的亲和度分别对应于优化问题的目标函数和各种约束条件、优化解、解与目标函数的匹配程度。

7.蚁群算法

蚁群算法是受自然界中蚂蚁搜索食物行为的启发而提出的一种随机优化算法，单个蚂蚁是脆弱的，而蚁群的群居生活却能完成许多单个个体无法承担的工作，蚂蚁间借助于信息素这种化学物质进行信息的交流和传递，并表现出正反馈现象：某段路径上经过的蚂蚁越多，该路径被重复选择的概率就越高。正反馈机制和通信机制是蚁群算法的两个重要基础。

智能优化算法作为一类启发式搜索算法，已被成功应用于多目标优化领域，同时，多目标智能优化算法在电力系统、制造系统和控制系统等方面的应用研究也取得了很大的进展。