结合热力学遗传算法的多目标优化方法

摘要

本发明揭示了一种结合热力学遗传算法的多目标优化方法，当一个个体占优或此个体邻域的其他个体数目较多，则按一定的策略降低此个体的适应度。即，位于比较拥挤的区域的个体其子代的数量将会相对减少，这样使得群体的分布能够较均匀地覆盖Pareto优集。在本发明给出的算法中，为了降低适应度，利用了热力学中的熵和温度的概念。本发明引入熵和温度的概念来实现适应度共享，最终可以获得一个较好的Pareto优集。本发明在研究方法上进行了更新，将热力学中熵的概念引入多目标优化问题，发挥了热力学中熵的优越性，有效利用了样本集本身的内在的知识，避免了部分优良个体的落选问题；能够保证优良个体最终能够生存。

主权项

1.一种结合热力学遗传算法的多目标优化方法，其特征在于，所述方法包括如下步骤：步骤S1、初始化群体大小Np、进化的代数Ng、温度T；步骤S2、令t＝0，生成初始群体P(t＝0)；步骤S3、在P(t)中选择一个个体作为精英elite保留；步骤S4、将群体P(t)中的个体随机配对，应用交叉算子于所有配对个体对得到Np个子代个体；然后对Np个父代个体和Np个子代个体进行变异操作，得到一个包含2Np个个体的中间群体P`(t)；步骤S5、令i＝1，P(t+1)＝{elite}；步骤S6、令P(t+1，i，h)表示已选好的属于P(t+1)的i-1个个体，以及属于中间群体P`(t)的第h个个体；计算群体P(t+1，i，h)的自由能F，其中h＝1，2，...，2Np；其中，H_k(i，h)＝-p_k(i，h)log p_k(i，h)；p_k(i，h)是群体P`(t)中第h个个体和群体P(t+1)的第k个个体之间海明码距与个体编码长度的比值；在群体P`(t)寻找h使得自由能F，F达到最小，并将此第h个个体加入P(t+1)，作为群体P(t+1)的第i个个体；允许选择相同的个体；步骤S7、令i＝i+1，如果i＜Np，跳转到步骤S6；否则转至步骤S8；步骤S8、令t＝t+1，如果t＜Ng，跳转到步骤S3，否则结束。