侯文人

摘要：為了解決傳統(tǒng)遺傳算法在求解多目標(biāo)優(yōu)化問題時存在的收斂速度慢并且易于陷入局部最小等問題，提出了一種求解多目標(biāo)優(yōu)化問題的正交多Agent遺傳算法。設(shè)計了正交初始化算子、鄰域競爭算子、正交交叉算子、變異算子，對傳統(tǒng)遺傳算法進(jìn)行了改進(jìn)。最后，通過標(biāo)準(zhǔn)測試函數(shù)的仿真結(jié)果表明，算法具有較好的收斂性，能夠較快得到最優(yōu)解。

關(guān)鍵詞： 多目標(biāo)優(yōu)化；遺傳算法；收斂；正交；最優(yōu)解

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）07-0162-02

An Orthogonal Multi-Agent Genetic Algorithm for Solving Multi Objective Optimization Problems

HOU Wen-ren

（College of Information Technology Engineering， Tianjin University of Technology and Education， Tianjin 300222， China）

Abstract： To solve traditional genetic algorithm convergence is slow and easy to fall into local minimum problems in solving multi-objective optimization problem， an evolutionary algorithm， Orthogonal Multi-Agent genetic algorithm is proposed. Orthogonal initialization operator， neighborhood competition operator， orthogonal crossover operator and mutation operator are designed. The traditional genetic algorithm is improved. Finally， several standard test functions are used to test the algorithm and the simulation results show that the proposed algorithm has better convergence and the optimal solution can be quickly obtained.

Key words：multi objective optimization； genetic algorithm； convergence； orthogonal； the optimal solution

在智能計算研究領(lǐng)域，遺傳算法以其獨特的優(yōu)勢，受到研究者的廣泛關(guān)注。在解決函數(shù)優(yōu)化問題時，由于遺傳算法對函數(shù)的類型以及可行解空間的形狀沒有限制，因此遺傳算法是一種非常有效的算法。但是解決高維函數(shù)優(yōu)化問題時，傳統(tǒng)遺傳算法往往容易陷入局部最優(yōu)。基于前人研究成果，將正交實驗和多Agent系統(tǒng)相結(jié)合，提出了一種正交多Agent遺傳算法，用于求解多目標(biāo)優(yōu)化問題。

為了更好地求解多目標(biāo)優(yōu)化問題，將多Agent技術(shù)、遺傳算法、正交試驗相結(jié)合，設(shè)計每個智能體進(jìn)化算子，以更好地改進(jìn)傳統(tǒng)遺傳算法。最后用標(biāo)準(zhǔn)測試函數(shù)進(jìn)行測試，并加入Matlab仿真。仿真結(jié)果表明，改進(jìn)后的算法可以找到多目標(biāo)優(yōu)化問題分布較均勻的Pareto最優(yōu)解，具備較強的全局優(yōu)化能力。

1 一種求多目標(biāo)優(yōu)化問題的正交多Agent遺傳算法

1.1 正交試驗設(shè)計的基本原理

正交試驗設(shè)計是利用正交表來安排與分析多因素試驗的一種設(shè)計方法。它是由試驗因素的全部水平組合中，挑選部分有代表性的水平組合進(jìn)行試驗的，通過對這部分試驗結(jié)果的分析了解全面試驗的情況，找出最優(yōu)的水平組合。在試驗安排中，每個因素在研究的范圍內(nèi)選幾個水平，就好比在選優(yōu)區(qū)內(nèi)打上網(wǎng)格，如果網(wǎng)上的每個點都做試驗，就是全面試驗。

1.2 正交初始化算子

初始化步驟如下：首先，將可行解空間[l，u]分割成R個子空間[l（1），u（1）]， [l（2），u（2）]，…， [l（R），u（R）]；其次，量化每個子空間，用正交表LM（QN）產(chǎn)生M個染色體；然后，從MR個染色體中選擇K個適應(yīng)度好的個體作為初始Agent種群。最后，將Agent一一對應(yīng)分布到網(wǎng)格上，計算每個Agent能量值。

1.3 鄰域競爭算子

在實驗中，將本文算法和傳統(tǒng)遺傳算法進(jìn)行了對比分析。參數(shù)設(shè)置如下：種群規(guī)模N=100，進(jìn)化代數(shù)T = 200。編碼長度為7，自學(xué)習(xí)概率[ps]為0.3。

從上面的仿真圖形可以看出，在求解SCH問題時，本文算法與傳統(tǒng)遺傳算法的性能差別不大，都可以很好的收斂到問題的最優(yōu)區(qū)域，而在求解ZDT2時，本文算法表現(xiàn)出較好的性能，所求Pareto解的分布性和收斂性均優(yōu)于傳統(tǒng)遺傳算法。

3 結(jié)束語

本文主要提出了一種求解多目標(biāo)優(yōu)化問題的正交多Agent遺傳算法。本文算法在多目標(biāo)遺傳算法的基礎(chǔ)上，結(jié)合多Agent技術(shù)和正交試驗，改進(jìn)傳統(tǒng)遺傳算法，對求解多目標(biāo)優(yōu)化問題取得了良好的效果。

參考文獻(xiàn)：

[1] 陳國良，王煦法，莊鎮(zhèn)泉， 等. 遺傳算法及應(yīng)用[M]. 北京：人民郵電出版社，2001.

[2] 鐘偉才，薛明志，劉靜，等. 多智能體遺傳算法用于超高維函數(shù)優(yōu)化[J]. 自然科學(xué)進(jìn)展2003，13（10）：1078-1079.

[3] Leung Y W， Wang Y. An Orthogonal Genetic Algorithm with Quantization for Global Numerical Optimization[J]. IEEE Trans. Evolutionary Computation， 2001， 5（1）： 41-53.

[4] 王朝輝，張偉豐.基于混合編碼的多智能體遺傳算法[J]. 武漢科技大學(xué)學(xué)報：自然科學(xué)版， 2009，29（6）：603-60.

[5] 潘曉英. 混合多智能體遺傳算法[J]. 計算機工程與應(yīng)用，2010，46（3）：9-12.

[6] 丁承民，張傳生，劉貴忠. 正交試驗遺傳算法及其在函數(shù)優(yōu)化中的應(yīng)用[J]. 系統(tǒng)工程與電子技術(shù)，1997，19（10）：57-60.

[7] 孟紅云，劉三陽. 求解多目標(biāo)優(yōu)化問題的多智能體遺傳算法[J]. 西北大學(xué)學(xué)報，2005，35（1）：13-16.

[8] 蔡龍飛. 基于改進(jìn)遺傳算法的多目標(biāo)優(yōu)化問題的研究[J].計算機工程與科學(xué)，2008，30（3）：75-77.