基于小生境Pareto遗传算法NPGA的优化理论的研究及实现
摘要
近30年来，人们从不同的角度对生物系统及其行为特征进行了模拟，产生了一些对现代科技有重大影响的新兴学科。对自然界中生物进化模拟就产生了进化算法（Evolutio
aryComputatio
，EC）理论。作为进化计算理论体系的中心遗传算法，其理论和方法不断地完善具有普遍的意义。遗传算法作为具有系统优化、适应和学习的高性能计算和建模方法的研究渐趋成熟。遗传算法提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性。适用于多领域的目标优化。在工程实际当中存在着大量的优化问题传统的优化方法存在着明显的缺陷本文介绍遗传算法优化理论和具体实现及一种基于小生境Pareto最优概念的遗传算法来求解多目标优化问题许多最优化问题具有多重目标。通常的做法是根据某些效用函数将多目标合成单一目标来继续优化，通过多个目标线性组合的加权总和，或变成约束目标。遗传算法（GA），通过引用Pareto最优化理论来解决多目标的优化问题，应用小生境技术沿Pareto前沿求Pareto最优解集。这种方法（NPGA）能够给出多目标优化问题的Pareto解集而不是单纯的一个解从而可以帮助决策者在Pareto解集中挑选适合设计要求的解作为最终解并进行了一个SGA和NPGA的简单实例操作。关键词：Pareto最优；遗传算法；多目标优化；NPGA
fAbstractKeywords：
1选题背景111课题来源
当前科学技术正进入多学科互相交叉、互相渗透、互相影响的时代，生命科学与工程科学的交叉、渗透和相互促进是其中一个典型例子，也是近代科学技术发展的一个显著特点。遗传算法的蓬勃发展正体现了科学发展的这一特点和趋势。制造机器智能一直是人类的梦想，人们为此付出了巨大的努力。人工智能技术的出现，就是人们得到的成果。众所周知，在人工智能领域中，有不少问题需要在复杂而庞大的搜索空间中寻找最优解或准优解。像货朗担问题和规划问题等组合优化问题就是典型的例子。在求解此类问题时，若不能利用问题的固有知识来缩小搜索空间则会产生搜索的组合爆炸。因此，研究能在搜索过程中自动获得和积累有关搜索空间的知识，并能适应地控制搜索过程，从而得到最优解或准有解的通用搜索算法一直是令人瞩目的课题。最优化问题通过数学符号表示之后都可分为两类：函数优化问题和组合优化问题，其中函数优化问题的对象是一定区间内的连续变量，而组合优化问题的对象则是空间中离散r