CN102831479A - Nsga-ii多目标优化搜索方法 - Google Patents

Nsga-ii多目标优化搜索方法 Download PDF

Info

Publication number
CN102831479A
CN102831479A CN 201210264566 CN201210264566A CN102831479A CN 102831479 A CN102831479 A CN 102831479A CN 201210264566 CN201210264566 CN 201210264566 CN 201210264566 A CN201210264566 A CN 201210264566A CN 102831479 A CN102831479 A CN 102831479A
Authority
CN
China
Prior art keywords
population
domination
godfather
individuals
generation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN 201210264566
Other languages
English (en)
Inventor
周莲英
杨鹤标
蒋玲
朱捷健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN 201210264566 priority Critical patent/CN102831479A/zh
Publication of CN102831479A publication Critical patent/CN102831479A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Feedback Control In General (AREA)

Abstract

NSGA-II多目标优化搜索方法，包括下列步骤：随机初始化种群作为第一代父种群，种群数大小为N；将第一代父种群进行非支配排序，经过选择、交叉、变异后生成第一代子种群，然后合并为二倍种群；将合并后的二倍种群进行快速非支配排序，首先选取第一级非支配个体集N1，在随机丢弃D1个个体数后，填充入下一代父种群中；依次选取下一级非支配个体集Ni(i=2,3,……,n)，在随机丢弃Di个个体数后，填充入下一代父种群中，直至最后一级非支配个体集Nn。最后一级为非支配个体集大于下一代父种群剩余填充空间的集合；对最后一级非支配个体集Nn，在随机丢弃Dn 个个体数后，进行拥挤度计算，将拥挤距离较大的个体填充入下一代父种群的剩余空间内；将得到的下一代父种群进行选择、交叉、变异这些遗传操作，生成下一代子种群，合并下一代父子种群，转到（3）。

Description

NSGA-II多目标优化搜索方法
技术领域
本发明属于多目标优化搜索方法研究领域，具体是对主流多目标优化算法NSGA-II中搜索方法的改进。
背景技术
遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。
目前主流多目标遗传优化算法有非支配排序遗传算法NSGA及其改进算法NSGA-II、小生境非劣解排序遗传算法NPGA，以及加强型非劣解排序遗传算法SPEA等，其中尤以NSGA-II搜索寻优效果和收敛速度最为突出。NSGA-II搜索方法通过加入精英策略，显著提高了NSGA的寻优搜索性能。
精英策略的核心思想是对父代种群和子代种群的合并种群进行快速非支配排序，将群体进化过程中迄今出现的最好个体（称为精英个体）直接填充入下一代父种群，其优点是保证了所产生的种群中个体的优异性，可以提高搜索的收敛速度。但另一方面，由于所选择的精英个体有很大的概率会一直延续至进化结束，从而影响进化过程中个体的多样性，造成寻优搜索的局部性。
针对精英策略的上述不足，国内外研究学者已提出基于丢弃部分精英个体的改进方法，如文献[1]《精英策略的改进非支配遗传算法[J]》（张晓菲，张火明《中国计量学院学报》2010,21(1):52-58），文献[2]《An Improved elitist strategy multi-objective evolutionaryalgorithm》（Lu Wang,Sheng-wu Xiong,Jie Yang,Ji-shan Fan.Proceedings of the FifthInternational Conference on Machine Learning and Cybernetics,Dalian,13-16,August 2006）所述。文献[1]提出从每一级的非支配个体集丢弃一个个体，文献[2]则提出丢弃一定数目的个体（具体数目没有明确给出）。分析可知，对于需经过若干次迭代的遗传算法而言，丢弃一个个体对搜索效果影响甚微；丢弃一定数目的个体，效果会好些，但考虑不同级精英个体之间的差异性，丢弃不同数目的精英个体会更合理、更有效。
发明内容
本发明的目的是为了解决NSGA-II搜索方法中精英策略所带来的局部收敛问题。主要原理是根据前一级精英个体集质量上应优于后一级精英个体集，数量上也偏多，更易造成局部收敛，所以比较而言前一级应丢弃更多。
本发明的详细技术方案如下：
NSGA-II多目标优化搜索方法，包括下列步骤：
（1）随机初始化种群作为第一代父种群，种群数大小为N；
（2）将第一代父种群进行非支配排序，经过选择、交叉、变异后生成第一代子种群，然后合并为二倍种群；
（3）将合并后的二倍种群进行快速非支配排序，首先选取第一级非支配个体集N1，在随机丢弃D1个个体数后，填充入下一代父种群中；
（4）依次选取下一级非支配个体集Ni(i=2,3,……,n)，在随机丢弃Di个个体数后，填充入下一代父种群中，直至最后一级非支配个体集Nn。最后一级为非支配个体集大于下一代父种群剩余填充空间的集合；
（5）对最后一级非支配个体集Nn，在随机丢弃Dn个个体数后，进行拥挤度计算，将拥挤距离较大的个体填充入下一代父种群的剩余空间内；
（6）将得到的下一代父种群进行选择、交叉、变异这些遗传操作，生成下一代子种群，合并下一代父子种群，转到（3）。
在上述步骤中：
本发明的主要改进之一为：每一级丢弃个体数D1、D2……Di……Dn与每一级产生的非支配个集体数目N1、N2……Ni……Nn成正比。
更进一步地：每一级丢弃个体数D1、D2……Di……Dn与该级非支配个体集数目占种群数目的比值成正比，即
D1=N1*(N1/N),D2=N2*(N2/N),……Di=Ni*(Ni/N),……Dn＝Nn*(Nn/N)。
本发明的效果是：
改进的精英策略在保持原有搜索方法的优点，即保证下一代个体的优异性、加速搜索速度的同时，可以增加个体的多样性，有效防止搜索提前收敛或陷入局部最优解。
附图说明
图1为本发明实施例1种群生成示意图；
图2为本发明实施例1的流程图。
具体实施方式
实施例1
如图1和图2所示，NSGA-II多目标优化搜索方法，包括下列步骤：
（1）随机初始化种群作为第一代父种群，大小为N；
（2）将第一代父种群进行非支配排序，经过选择、交叉、变异后生成第一代子种群，然后合并为二倍种群；
（3）将合并后的二倍种群进行快速非支配排序，首先选取第一级非支配个体集N1，随机丢弃Di个个体后填充入下一代父种群中；其中，每一级丢弃个体数D1、D2……Di……Dn与该级非支配个体集数目占种群数目的比值成正比，即
D1=N1*(N1/N),D2=N2*(N2/N),……Di=Ni*(Ni/N),……Dn＝Nn*(Nn/N)。
（4）选取下一级非支配个体集N2，随机丢弃N2*(N2/N)个个体后填充入下一代父种群中；重复本步骤，直至最后一级非支配个体集Nn，最后一级为非支配个体集Nn大于下一代父种群剩余的填充空间的集合；
（5）最后一级非支配个体集Nn随机丢弃Nn*(Nn/N)个个体后，进行拥挤度计算，将拥挤距离较大的个体填充入下一代父种群剩余空间内；
（6）将得到的下一代父种群进行选择、交叉、变异这些遗传操作，生成下一代子种群，合并下一代父子种群，转到（3）。

Claims (3)

1.NSGA-II多目标优化搜索方法，其特征是，该方法包括下列步骤：
（1）随机初始化种群作为第一代父种群，种群数大小为N；
（2）将第一代父种群进行非支配排序，经过选择、交叉、变异后生成第一代子种群，然后合并为二倍种群；
（3）将合并后的二倍种群进行快速非支配排序，首先选取第一级非支配个体集N1，在随机丢弃D1个个体数后，填充入下一代父种群中；
（4）依次选取下一级非支配个体集Ni(i=2,3,……,n)，在随机丢弃Di个个体数后，填充入下一代父种群中，直至最后一级非支配个体集Nn。最后一级为非支配个体集大于下一代父种群剩余填充空间的集合；
（5）对最后一级非支配个体集Nn，在随机丢弃Dn个个体数后，进行拥挤度计算，将拥挤距离较大的个体填充入下一代父种群的剩余空间内；
（6）将得到的下一代父种群进行选择、交叉、变异这些遗传操作，生成下一代子种群，合并下一代父子种群，转到（3）。
2.根据权利要求1所述的NSGA-II多目标优化搜索方法，其特征是，每一级丢弃个体数D1、D2……Di……Dn与每一级产生的非支配个集体数目N1、N2……Ni……Nn成正比。
3.根据权利要求1所述的NSGA-II多目标优化搜索方法，其特征是，每一级丢弃个体数D1、D2……Di……Dn与该级非支配个体集数目占种群数目的比值成正比，即
D1=N1*(N1/N),D2=N2*(N2/N),……Di=Ni*(Ni/N),……Dn=Nn*(Nn/N)。
CN 201210264566 2012-07-29 2012-07-29 Nsga-ii多目标优化搜索方法 Pending CN102831479A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201210264566 CN102831479A (zh) 2012-07-29 2012-07-29 Nsga-ii多目标优化搜索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201210264566 CN102831479A (zh) 2012-07-29 2012-07-29 Nsga-ii多目标优化搜索方法

Publications (1)

Publication Number Publication Date
CN102831479A true CN102831479A (zh) 2012-12-19

Family

ID=47334601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201210264566 Pending CN102831479A (zh) 2012-07-29 2012-07-29 Nsga-ii多目标优化搜索方法

Country Status (1)

Country Link
CN (1) CN102831479A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077316A (zh) * 2013-01-14 2013-05-01 天津大学 一种负荷曲线的削峰填谷优化方法
CN103198354A (zh) * 2013-02-28 2013-07-10 重庆科技学院 一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法
CN103489335A (zh) * 2013-09-16 2014-01-01 北京航空航天大学 一种多目标优化的飞行冲突解脱方法
CN104842564A (zh) * 2015-05-12 2015-08-19 南京师范大学 一种基于nsga-ii的三维打印多任务优化调度方法
CN105676636A (zh) * 2016-01-11 2016-06-15 北京邮电大学 一种基于nsga-ii算法的冗余度空间机械臂多目标优化方法
CN106295083A (zh) * 2016-09-29 2017-01-04 南京航空航天大学 一种基于nsga‑ii算法的轮对镟修策略优化方法
CN106295029A (zh) * 2016-08-16 2017-01-04 重庆大学 一种基于性能导向的建筑多目标优化设计方法
CN109977030A (zh) * 2019-04-26 2019-07-05 北京信息科技大学 一种深度随机森林程序的测试方法及设备
CN110737267A (zh) * 2019-09-30 2020-01-31 智慧航海（青岛）科技有限公司 一种无人船多目标优化方法及无人船智能综合管控系统
CN110909950A (zh) * 2019-11-29 2020-03-24 中国航空工业集团公司沈阳飞机设计研究所 一种采用非劣排序算法进行燃油消耗优化方法及装置
CN111950762A (zh) * 2020-07-01 2020-11-17 桂林理工大学 一种基于nsga2的多目标电子产品cto订单推荐方法
CN115310353A (zh) * 2022-07-26 2022-11-08 明珠电气股份有限公司 一种基于快速多目标优化的电力变压器设计方法
CN115828734A (zh) * 2022-11-06 2023-03-21 江苏天成科技集团有限公司 一种基于改进nsga2算法的低碳饲料配方方法

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077316A (zh) * 2013-01-14 2013-05-01 天津大学 一种负荷曲线的削峰填谷优化方法
CN103198354A (zh) * 2013-02-28 2013-07-10 重庆科技学院 一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法
CN103198354B (zh) * 2013-02-28 2016-02-03 重庆科技学院 一种利用bp神经网络与非支配排序遗传算法nsga2实现油田抽油机采油节能增产优化方法
CN103489335A (zh) * 2013-09-16 2014-01-01 北京航空航天大学 一种多目标优化的飞行冲突解脱方法
CN103489335B (zh) * 2013-09-16 2016-04-06 北京航空航天大学 一种多目标优化的飞行冲突解脱方法
CN104842564A (zh) * 2015-05-12 2015-08-19 南京师范大学 一种基于nsga-ii的三维打印多任务优化调度方法
CN105676636A (zh) * 2016-01-11 2016-06-15 北京邮电大学 一种基于nsga-ii算法的冗余度空间机械臂多目标优化方法
CN105676636B (zh) * 2016-01-11 2018-12-07 北京邮电大学 一种基于nsga-ii算法的冗余度空间机械臂多目标优化方法
CN106295029A (zh) * 2016-08-16 2017-01-04 重庆大学 一种基于性能导向的建筑多目标优化设计方法
CN106295083B (zh) * 2016-09-29 2019-10-11 南京航空航天大学 一种基于nsga-ii算法的轮对镟修策略优化方法
CN106295083A (zh) * 2016-09-29 2017-01-04 南京航空航天大学 一种基于nsga‑ii算法的轮对镟修策略优化方法
CN109977030A (zh) * 2019-04-26 2019-07-05 北京信息科技大学 一种深度随机森林程序的测试方法及设备
CN109977030B (zh) * 2019-04-26 2022-04-19 北京信息科技大学 一种深度随机森林程序的测试方法及设备
CN110737267A (zh) * 2019-09-30 2020-01-31 智慧航海（青岛）科技有限公司 一种无人船多目标优化方法及无人船智能综合管控系统
CN110909950A (zh) * 2019-11-29 2020-03-24 中国航空工业集团公司沈阳飞机设计研究所 一种采用非劣排序算法进行燃油消耗优化方法及装置
CN111950762A (zh) * 2020-07-01 2020-11-17 桂林理工大学 一种基于nsga2的多目标电子产品cto订单推荐方法
CN115310353A (zh) * 2022-07-26 2022-11-08 明珠电气股份有限公司 一种基于快速多目标优化的电力变压器设计方法
CN115310353B (zh) * 2022-07-26 2024-02-20 明珠电气股份有限公司 一种基于快速多目标优化的电力变压器设计方法
CN115828734A (zh) * 2022-11-06 2023-03-21 江苏天成科技集团有限公司 一种基于改进nsga2算法的低碳饲料配方方法
CN115828734B (zh) * 2022-11-06 2023-11-28 江苏天成科技集团有限公司 一种基于改进nsga2算法的低碳饲料配方方法

Similar Documents

Publication Publication Date Title
CN102831479A (zh) Nsga-ii多目标优化搜索方法
Lamini et al. Genetic algorithm based approach for autonomous mobile robot path planning
CN104866904B (zh) 一种基于spark的遗传算法优化的BP神经网络并行化方法
EP3201709B1 (en) Method and system for determining a path of an object for moving from a starting state to an end state set avoiding one or more obstacles
CN108036790B (zh) 一种障碍环境下基于蚁蜂算法的机器人路径规划方法及系统
Abu-Mouti et al. Overview of Artificial Bee Colony (ABC) algorithm and its applications
CN103412490B (zh) 用于多机器人动态路径规划的多克隆人工免疫网络算法
Chen et al. A new approach for analyzing average time complexity of population-based evolutionary algorithms on unimodal problems
Li et al. An improved genetic algorithm of optimum path planning for mobile robots
Esmin et al. HPSOM: a hybrid particle swarm optimization algorithm with genetic mutation
Yoshikawa et al. Ant colony optimization routing algorithm with tabu search
Cheng et al. Path planning based on immune genetic algorithm for UAV
Kefi et al. Ant supervised by PSO and 2-opt algorithm, AS-PSO-2Opt, applied to traveling salesman problem
Pathak et al. Traveling salesman problem using bee colony with SPV
Zhang et al. Optimal search and rescue route design using an improved ant colony optimization
Xu et al. Self-adaptive learning based immune algorithm
Yaguchi et al. Basic study of proximate optimality principle based combinatorial optimization method
Beed et al. A study of the genetic algorithm parameters for solving multi-objective travelling salesman problem
WO2021008798A1 (en) Training of a convolutional neural network
CN102521203A (zh) 基于因果图的分层强化学习任务图进化方法
Karami et al. Protein structure prediction using bio-inspired algorithm: A review
Chittineni et al. A parallel hybridization of clonal selection with shuffled frog leaping algorithm for solving global optimization problems (P-AISFLA)
Doriya et al. Dynamic vehicle traffic routing problem: Study, implementation and analysis using ACO and GA
Lu et al. Immune-genetic algorithm for traveling salesman problem
Doncieux et al. Dynamic behavioral diversity

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20121219