CN112037560A - 智能化封闭式停车场运行模式下车位优化分配模型建立方法 - Google Patents

Abstract

发明公开了智能化封闭式停车场运行模式下车位优化分配模型建立方法，该方法根据停车场实时车位状况，以行驶路径最短、车位分配分散和临位空闲优先分配原则作为合理优化分配策略为到场的预约车辆推送优化后的具体车位信息，实现停车场内车辆停放过程行驶路径最短、车辆停靠过程互不影响和整体车辆停靠入位难度最低的目标。在后续的优化算法中，通过车位优先级策略使算法当中的初始种群质量更高。该优化算法为多目标集成遗传算法，通过该算法能够使求解过程中具有良好的优化性能。实现了车辆入场后车位科学诱导，场内全局停车入位过程行驶路径最短，车辆之间停放过程无干涉，停放难度低，减少场内停车拥堵无序，能够提高停车场的运行效率。

Description

智能化封闭式停车场运行模式下车位优化分配模型建立方法

技术领域

本发明属于调度领域中的车位分配调度模型建立范畴，具体涉及一种智能化封闭式停车场运行模式下车位优化分配模型建立方法。

背景技术

互联网、物联网等信息化技术的迅速发展，部分大型停车场实现了停车智能化管控，但在停车场内部停车位优化分配方面仍存在较大的优化空间。近些年，国内外学者针对自动立体化车库中货位优化、路径优化等调度问题研究较多，而在传统停车场车位优化分配方面的研究甚少，原因在于该领域的研究需要基于信息化和智能化的停车管控系统才具有研究意义和实现的可能。封闭式停车场车位优化分配问题可近似看作为物流仓库货位优化选取问题，通过该创新应用能够对传统停车场车辆的停放决策起到重要的优化作用，提高车场的泊位利用率、停车速度等。货位分配问题是典型的非确定性多项式问题(NP-hard)，为求解出满足实际工况的最优或近似最优解，国内外学者对此类问题做了大量的探索和研究。

基于智慧停车管理系统的信息化、智能化管控，针对现有的智能化车场存在的车辆入库停放无序、停放车位分配不合理、车场内部诱导滞后等问题，建立多目标车位优化分配模型。目前智能算法如蚁群、粒子群算法等存在容易陷入局部最优解等问题，单一算法对解决多维优化问题能力有限。基于向量评估和小生境Pareto理论方法进行算法设计，应用多目标集成遗传算法对该模型进行求解，获取符合优化条件的最优解集。该方法具有改善停车场内部车辆停放过程拥堵、车场诱导不及时等作用，为车辆停放提供优化方案的同时，也为缓解城市交通道路拥堵提供有力帮助。

发明内容

针对传统停车场智能化、信息化技术存在的不足，本发明目的在于，提供一种适用于智能化封闭式停车场运行模式下车位优化分配模型建立方法，该方法根据停车场实时车位状况，以行驶路径最短原则、车位分配分散原则和临位空闲优先分配原则作为合理优化分配策略为到场的预约车辆推送优化后的具体车位信息，实现停车场内车辆停放过程行驶路径最短、车辆停靠过程互不影响和整体车辆停靠入位难度最低的目标。在后续的优化算法中，通过车位优先级策略使算法当中的初始种群质量更高。该优化算法为多目标集成遗传算法，通过该算法能够使求解过程中具有良好的优化性能。实现了车辆入场后车位科学诱导，场内全局停车入位过程行驶路径最短，车辆之间停放过程无干涉，停放难度低，减少场内停车拥堵无序，能够提高停车场的运行效率。

为实现上述任务，本发明采取如下技术解决方案：

一种智能化封闭式停车场运行模式下车位预约优化模型建立方法，其特征在于，该方法根据停车场实时车位状况，以行驶路径最短原则、车位分配分散原则和临位空闲优先分配原则作为合理优化分配策略为到场的预约车辆推送优化后的具体车位信息，实现停车场内车辆停放过程行驶路径最短、车辆停靠过程互不影响和整体车辆停靠入位难度最低的目标。在后续的优化算法中，通过车位优先级策略使算法当中的初始种群质量更高。该优化算法为多目标集成遗传算法，通过该算法能够使求解过程中具有良好的优化性能。

按照下列步骤进行：设停车场的布局由1个车辆入口、1个车辆出口、I行、J列个停车位组成，每个车位的长和宽分别为l和w，且每一个车位只能停放一辆车。设停车场中入口的坐标为[i₀，j₀]，出口的坐标为[i_e，j_e]，第i行、第j列的车位坐标为[i，j]，其中i∈[1，I]，j∈[1，J]。车辆在车场内部的行驶速度为v_s(一般车速不得超过5km/h)，汽车a₁从驶入车场到停车入位需要时间t，在该时间段内会有m辆车驶入停车场，在车场内部同时选取车位。

针对以上假设条件，为了提高停车场内部的车辆停放效率，使停放过程运行顺畅，不产生停车拥堵、停车等待等现象，系统需根据停车场内部车位实时情况，进行合理车位分配。具体车位分配需满足以下优化原则：

(1)路径最短原则(车辆从入场到出场停车场内行驶的总路程最短原则)。

(2)车位分配分散原则(入场的若干车辆避免车位分配位置集中所造成的停放等待)。

(3)车位分散均匀原则(作为原则2的补充，避免分配结果局部集中)。

(4)临位空闲优先分配原则(分配车位时优先选择临位为空的停车位，便于车主车辆停放)。

其中：

根据优化车位分配原则，其特征在于，建立车位优化分配模型：

其中：

式(5)中，M为车场实时驶入的车辆数，s_n表示任意两目标车位间的直线距离，则应有

组，即M(M-1)/2组值；P_M(i，j)为评分变量，通过对车辆停放的停车位进行评分，判断停车位[i，j]的停放难易程度；

运用多目标集成遗传算法对智能化封闭式停车场运行模式下车位预约优化模型，即式(5)进行优化求解，可得到停车场车位优化分配的最优解集。

所述的多目标集成遗传算法的具体求解步骤如下：

将向量评估遗传算法、小生境Pareto遗传算法集成一体，构建多目标集成遗传算法，使其在优化的任意阶段都发挥出卓越的性能。

定义每条染色体有4个适应度函数：

式中：

分别为当代种群中，各目标函数的最大值。将目标函数最大值作为适应度函数参数，可以确保：1)染色体对应的目标函数值最小；2)适应度均较小的染色体进行及时淘汰。

①向量评估遗传算法的具体方法如下：

步骤1：初始参数确定。

参数包括停车场车位情况(I、J、K)、车辆数量、最大迭代次数Max_ga、种群规模N、交叉概率p_c、变异概率p_m。

步骤2：设置迭代次数计数器t。

令t＝0，根据给定的车位数量或剩余车位数，随机生成N个染色体：chr_t ¹，chr_t ²，...，chr_t ^N。

步骤3：适应度函数值计算。

针对所产生N个染色体，根据式(2)至式(5)计算每一条染色体的4个适应度函数值F_k(chr_t ¹)，F_k(chr_t ²)，...，F_k(chr_t ^N)，k∈{1，2，3，4}。

步骤4：迭代次数判断。

判断t＜Max_ga，若成立，令t＝t+1；否则，跳转至第9步骤。

步骤5：选择操作：

1)计算对应染色体chr_t ⁱ的4个适应度函数值的选择概率P_k，i，其中：

2)计算每个染色体chr_t ⁱ的4个适应度函数值的累计概率Q_k，i，其中：

3)每次进行染色体选择，需使用赌轮选择法在集合{1，2，3，4}中随机选取一个元素赋值给τ，然后利用累计概率Q_i，τ对选中的染色体进行判断。

步骤6：交叉操作：

对种群中所有染色体进行重新排序。令i为奇数，且i∈[1，N]，则第i条和第i+1条染色体设为一组，并对每组染色体进行判断，判断条件为：rand＜p_c。若成立，对该组染色体进行交叉操作。

步骤7：变异操作：

对种群中所有染色体进行判断，判断条件为：rand＜p_m。若成立，对该染色体执行移位，进行变异操作。

步骤8：根据上述选择、交叉、变异操作后，生成N个新的染色体：

转至第3步骤。

步骤9：迭代结束，输出最终种群，该种群即为最优解集。

②小生境Pareto遗传算法的具体方法如下：

步骤1：设临时种群T为空集：

步骤2：临时种群T的规模为N_T，对临时种群进行条件判断：N_T＜N。若成立，跳至步骤3；不成立，则跳至步骤7。

步骤3：从原种群P中分别随机选择两个染色体chr_α、chr_β和一个子集S，

子集S的规模N_S≈N×10％。

步骤4：染色体支配属性判断。

判断染色体chr_α、chr_β是否被子集S中染色体支配。若两个染色体都被支配，则跳至步骤5；若其中有一个染色体不被支配，则将不被支配的一方定义为chr_o，并跳至步骤6。

步骤5：染色体chr_o的定义。

染色体chr_α、chr_β属性一致，分别对比两染色体的4个适应度值F₁(chr_α)、F₂(chr_α)、F₃(chr_α)、F₄(chr_α)和F₁(chr_β)、F₂(chr_β)、F₃(chr_β)、F₄(chr_β)，适应度值高的染色体被定义为chr_o。

步骤6：将染色体chr_o加入临时种群T，跳转至步骤2。

步骤7：根据上述方法得到最终临时种群T，其规模N_T＝N，用最终临时种群T替换原种群P：P←T。

每个优化问题再搜索空间、约束条件、目标函数等方面都存在一定的差异。即使在同一优化问题的不同优化阶段，不同算法之间也同样存在性能差异。

向量评估遗传算法的优势在于搜索空间，但最优解集离散度大，对于多目标优化问题，其最优解很难同时满足所有目标；小生境Pareto遗传算法的优势在于计算后期解集质量高，但在搜索空间方面性能较差，解集容易陷入局部最优。通过大量仿真数据发现，仅对单一算法的参数设置进行优化并不能有效提高算法本身性能，解集局部最优问题也无法彻底解决。

针对上述问题，将向量评估遗传算法、小生境Pareto遗传算法集合为一体，构建多目标集成遗传算法。目的在于，利用向量评估遗传算法在搜索空间性能方面的优势，并结合小生境Pareto遗传算法在计算后期解集质量高的特点，将两种算法各自的优势结合，使多目标集成遗传算法在多目标优化问题的计算过程任意阶段，都能发挥出更好的性能。

附图说明

图1是封闭式停车场示意图；

图2是多目标集成遗传算法流程图；

图3是各算法迭代计算对比图，其中(a)是针对路径最短原则，(b)是针对车位分配分散原则，(c)是针对车位分配均匀分散原则；

图4是多目标集成遗传算法车位分配示例图。

以下结合附图和实施例对本发明作进一步的详细说明。

具体实施方式

按照本发明的技术方案，本实施例给出一种适用于智能化封闭式停车场(停车场示意图如图1所示)运行模式下车位优化分配模型建立方法，该方法根据停车场实时车位状况，以行驶路径最短原则、车位分配分散原则和临位空闲优先分配原则作为合理优化分配策略为到场的预约车辆推送优化后的具体车位信息，实现停车场内车辆停放过程行驶路径最短、车辆停靠过程互不影响和整体车辆停靠入位难度最低的目标。在后续的优化算法中，通过车位优先级策略使算法当中的初始种群质量更高。该优化算法为多目标集成遗传算法，通过该算法能够使求解过程中具有良好的优化性能。实现了车辆入场后车位科学诱导，场内全局停车入位过程行驶路径最短，车辆之间停放过程无干涉，停放难度低，减少场内停车拥堵无序，能够提高停车场的运行效率。

为实现上述任务，本发明采取如下技术解决方案：

一种智能化封闭式停车场运行模式下车位预约优化模型建立方法，其特征在于，该方法根据停车场实时车位状况，以行驶路径最短原则、车位分配分散原则和临位空闲优先分配原则作为合理优化分配策略为到场的预约车辆推送优化后的具体车位信息，实现停车场内车辆停放过程行驶路径最短、车辆停靠过程互不影响和整体车辆停靠入位难度最低的目标。在后续的优化算法中，通过车位优先级策略使算法当中的初始种群质量更高。该优化算法为多目标集成遗传算法，通过该算法能够使求解过程中具有良好的优化性能。

按照下列步骤进行：设停车场的布局由1个车辆入口、1个车辆出口、I行、J列个停车位组成，每个车位的长和宽分别为l和w，且每一个车位只能停放一辆车。设停车场中入口的坐标为[i₀，j₀]，出口的坐标为[i_e，j_e]，第i行、第j列的车位坐标为[i，j]，其中i∈[1，I]，j∈[1，J]。车辆在车场内部的行驶速度为v_s(一般车速不得超过5km/h)，汽车a₁从驶入车场到停车入位需要时间t，在该时间段内会有m辆车驶入停车场，在车场内部同时选取车位。

针对以上假设条件，为了提高停车场内部的车辆停放效率，使停放过程运行顺畅，不产生停车拥堵、停车等待等现象，系统需根据停车场内部车位实时情况，进行合理车位分配。具体车位分配需满足以下优化原则：

(1)路径最短原则(车辆从入场到出场停车场内行驶的总路程最短原则)。

(2)车位分配分散原则(入场的若干车辆避免车位分配位置集中所造成的停放等待)。

(3)车位分散均匀原则(作为原则2的补充，避免分配结果局部集中)。

(4)临位空闲优先分配原则(分配车位时优先选择临位为空的停车位，便于车主车辆停放)。

其中：

根据优化车位分配原则，其特征在于，建立车位优化分配模型：

其中：

式(5)中，M为车场实时驶入的车辆数，s_n表示任意两目标车位间的直线距离，则应有

组，即M(M-1)/2组值；P_M(i，j)为评分变量，通过对车辆停放的停车位进行评分，判断停车位[i，j]的停放难易程度；

运用多目标集成遗传算法对智能化封闭式停车场运行模式下车位预约优化模型，即式(5)进行优化求解，可得到停车场车位优化分配的最优解集。

所述的多目标集成遗传算法的具体求解步骤如下：

将向量评估遗传算法、小生境Pareto遗传算法集成一体，构建多目标集成遗传算法，使其在优化的任意阶段都发挥出卓越的性能。

定义每条染色体有4个适应度函数：

式中：

分别为当代种群中，各目标函数的最大值。将目标函数最大值作为适应度函数参数，可以确保：1)染色体对应的目标函数值最小；2)适应度均较小的染色体进行及时淘汰。

①向量评估遗传算法的具体方法如下：

步骤1：初始参数确定。

参数包括停车场车位情况(I、J、K)、车辆数量、最大迭代次数Max_ga、种群规模N、交叉概率p_c、变异概率p_m。

步骤2：设置迭代次数计数器t。

令t＝0，根据给定的车位数量或剩余车位数，随机生成N个染色体：chr_t ¹，chr_t ²，...，chr_t ^N。

步骤3：适应度函数值计算。

针对所产生N个染色体，根据式(2)至式(5)计算每一条染色体的4个适应度函数值F_k(chr_t ¹)，F_k(chr_t ²)，...，F_k(chr_t ^N)，k∈{1，2，3，4}。

步骤4：迭代次数判断。

判断t＜Max_ga，若成立，令t＝t+1；否则，跳转至第9步骤。

步骤5：选择操作：

1)计算对应染色体chr_t ⁱ的4个适应度函数值的选择概率P_k，i，其中：

2)计算每个染色体chr_t ⁱ的4个适应度函数值的累计概率Q_k，i，其中：

3)每次进行染色体选择，需使用赌轮选择法在集合{1，2，3，4}中随机选取一个元素赋值给τ，然后利用累计概率Q_i，τ对选中的染色体进行判断。

步骤6：交叉操作：

对种群中所有染色体进行重新排序。令i为奇数，且i∈[1，N]，则第i条和第i+1条染色体设为一组，并对每组染色体进行判断，判断条件为：rand＜p_c。若成立，对该组染色体进行交叉操作。

步骤7：变异操作：

对种群中所有染色体进行判断，判断条件为：rand＜p_m。若成立，对该染色体执行移位，进行变异操作。

步骤8：根据上述选择、交叉、变异操作后，生成N个新的染色体：

转至第3步骤。

步骤9：迭代结束，输出最终种群，该种群即为最优解集。

②小生境Pareto遗传算法的具体方法如下：

步骤1：设临时种群T为空集：

步骤2：临时种群T的规模为N_T，对临时种群进行条件判断：N_T＜N。若成立，跳至步骤3；不成立，则跳至步骤7。

步骤3：从原种群P中分别随机选择两个染色体chr_α、chr_β和一个子集S，

子集S的规模N_S≈N×10％。

步骤4：染色体支配属性判断。

判断染色体chr_α、chr_β是否被子集S中染色体支配。若两个染色体都被支配，则跳至步骤5；若其中有一个染色体不被支配，则将不被支配的一方定义为chr_o，并跳至步骤6。

步骤5：染色体chr_o的定义。

染色体chr_α、chr_β属性一致，分别对比两染色体的4个适应度值F₁(chr_α)、F₂(chr_α)、F₃(chr_α)、F₄(chr_α)和F₁(chr_β)、F₂(chr_β)、F₃(chr_β)、F₄(chr_β)，适应度值高的染色体被定义为chr_o。

步骤6：将染色体chr_o加入临时种群T，跳转至步骤2。

步骤7：根据上述方法得到最终临时种群T，其规模N_T＝N，用最终临时种群T替换原种群P：P←T。

每个优化问题再搜索空间、约束条件、目标函数等方面都存在一定的差异。即使在同一优化问题的不同优化阶段，不同算法之间也同样存在性能差异。

向量评估遗传算法的优势在于搜索空间，但最优解集离散度大，对于多目标优化问题，其最优解很难同时满足所有目标；小生境Pareto遗传算法的优势在于计算后期解集质量高，但在搜索空间方面性能较差，解集容易陷入局部最优。通过大量仿真数据发现，仅对单一算法的参数设置进行优化并不能有效提高算法本身性能，解集局部最优问题也无法彻底解决。

针对上述问题，将向量评估遗传算法、小生境Pareto遗传算法集合为一体，构建多目标集成遗传算法。目的在于，利用向量评估遗传算法在搜索空间性能方面的优势，并结合小生境Pareto遗传算法在计算后期解集质量高的特点，将两种算法各自的优势结合，使多目标集成遗传算法在多目标优化问题的计算过程任意阶段，都能发挥出更好的性能。具体算法流程如图2所示。

以图1中停车场的布局为例，该停车场被划分为4个区域，每个区域有2行、14列，总计112个停车位；各个车位大小一致，每个车位的长和宽分别为6m和2.5m，且每一个车位只能停放一辆车。根据车速和停车场面积计算可知，车辆数M的范围为，即该瞬时有最多10辆车在停车场内部同时选取车位。

针对上述任务进行车位优化，令向量评估、小生境Pareto和多目标集成遗传算法仿真参数均为：最大迭代次数Max_ga＝500；种群规模N＝500；交叉概率；变异概率。经过Matlab编程求解，算法迭代过程如图3所示。

由图3中(a)、(b)、(c)可知，多目标集成遗传算法比向量评估遗传算法和小生境Pareto遗传算法收敛速度快，在各目标函数上求得的值最优。车位优化完成后，各目标函数值如表1所示，其中目标4临位空闲优先分配原则迭代过程简单，不予展示。

表1车位优化各目标函数值

任取多目标集成遗传算法输出最优解集中的任意解，根据其绘制车位分配示例图，如图4所示。黄色方块代表待选车位，红色方块代表优化分配的车位，蓝色方块代表已停放的车位。从图中可以看出，优化分配的车位符合各优化原则。

通过多目标车位优化分配模型可以使传统停车场实现高效的信息化诱导，提高停车场车位的使用效率，能够有效改善停车场内部车辆拥堵状况。

Claims (4)

1.一种智能化封闭式停车场运行模式下车位预约优化模型建立方法，其特征在于，该方法根据停车场实时车位状况，以行驶路径最短原则、车位分配分散原则和临位空闲优先分配原则作为合理优化分配策略为到场的预约车辆推送优化后的具体车位信息，实现停车场内车辆停放过程行驶路径最短、车辆停靠过程互不影响和整体车辆停靠入位难度最低的目标；在后续的优化算法中，通过车位优先级策略使算法当中的初始种群质量更高，该优化算法为多目标集成遗传算法，通过该算法能够使求解过程中具有良好的优化性能。

2.如权利要求1所述的方法，其特征在于，设停车场的布局由1个车辆入口、1个车辆出口、I行、J列个停车位组成，每个车位的长和宽分别为l和w，且每一个车位只能停放一辆车；设停车场中入口的坐标为[i₀，j₀]，出口的坐标为[i_e，j_e]，第i行、第j列的车位坐标为[i，j]，其中i∈[1，I]，j∈[1，J]；车辆在车场内部的行驶速度为v_s(一般车速不得超过5km/h)，汽车a₁从驶入车场到停车入位需要时间t，在该时间段内会有m辆车驶入停车场，在车场内部同时选取车位；针对以上假设条件，为了提高停车场内部的车辆停放效率，使停放过程运行顺畅，不产生停车拥堵、停车等待等现象，系统需根据停车场内部车位实时情况，进行合理车位分配。具体车位分配需满足以下优化原则：

(1)路径最短原则(车辆从入场到出场停车场内行驶的总路程最短原则)

(2)车位分配分散原则(入场的若干车辆避免车位分配位置集中所造成的停放等待)

(3)车位分散均匀原则(作为原则2的补充，避免分配结果局部集中)

(4)临位空闲优先分配原则(分配车位时优先选择临位为空的停车位，便于车主车辆停放)

其中：

3.如权利要求1或权利要求2所述的方法，其特征在于，所建立的车位优化分配模型：

其中：

式(5)中，M为车场实时驶入的车辆数，s_n表示任意两目标车位间的直线距离，则应有

组，即M(M-1)/2组值；P_M(i，j)为评分变量，通过对车辆停放的停车位进行评分，判断停车位[i，j]的停放难易程度；

运用多目标集成遗传算法对智能化封闭式停车场运行模式下车位预约优化模型，即式(5)进行优化求解，可得到停车场车位优化分配的最优解集。

4.如权利要求1所述的方法，其特征在于，所述的多目标集成遗传算法的具体求解步骤如下：

将向量评估遗传算法、小生境Pareto遗传算法集成一体，构建多目标集成遗传算法，使其在优化的任意阶段都发挥出卓越的性能。

定义每条染色体有4个适应度函数：

式中：

分别为当代种群中，各目标函数的最大值。将目标函数最大值作为适应度函数参数，可以确保：1)染色体对应的目标函数值最小；2)适应度均较小的染色体进行及时淘汰。

①向量评估遗传算法的具体方法如下：

步骤1：初始参数确定。

参数包括停车场车位情况(I、J、K)、车辆数量、最大迭代次数Max_ga、种群规模N、交叉概率p_c、变异概率p_m。

步骤2：设置迭代次数计数器t。

步骤2：设置迭代次数计数器t。

令t＝0，根据给定的车位数量或剩余车位数，随机生成N个染色体：

步骤3：适应度函数值计算。

针对所产生N个染色体，根据式(2)至式(5)计算每一条染色体的4个适应度函数值

k∈{1，2，3，4}。

步骤4：迭代次数判断。

判断t＜Max_ga，若成立，令t＝t+1；否则，跳转至第9步骤。

步骤5：选择操作：

1)计算对应染色体

的4个适应度函数值的选择概率P_k，i，其中：

k∈{1，2，3，4}

2)计算每个染色体

的4个适应度函数值的累计概率Q_k，i，其中：

k∈{1，2，3，4}

3)每次进行染色体选择，需使用赌轮选择法在集合{1，2，3，4}中随机选取一个元素赋值给τ，然后利用累计概率Q_i，τ对选中的染色体进行判断。

步骤6：交叉操作：

对种群中所有染色体进行重新排序。令i为奇数，且i∈[1，N]，则第i条和第i+1条染色体设为一组，并对每组染色体进行判断，判断条件为：rand＜p_c。若成立，对该组染色体进行交叉操作。

步骤7：变异操作：

对种群中所有染色体进行判断，判断条件为：rand＜p_m。若成立，对该染色体执行移位，进行变异操作。

步骤8：根据上述选择、交叉、变异操作后，生成N个新的染色体：

转至第3步骤。

步骤9：迭代结束，输出最终种群，该种群即为最优解集。

②小生境Pareto遗传算法的具体方法如下：

步骤1：设临时种群T为空集：

步骤2：临时种群T的规模为N_T，对临时种群进行条件判断：N_T＜N。若成立，跳至步骤3；不成立，则跳至步骤7。

步骤3：从原种群P中分别随机选择两个染色体chr_α、chr_β和一个子集S，

子集S的规模N_S≈N×10％。

步骤4：染色体支配属性判断。

判断染色体chr_α、chr_β是否被子集S中染色体支配。若两个染色体都被支配，则跳至步骤5；若其中有一个染色体不被支配，则将不被支配的一方定义为chr_o，并跳至步骤6。

步骤5：染色体chr_o的定义。

染色体chr_α、chr_β属性一致，分别对比两染色体的4个适应度值F₁(chr_α)、F₂(chr_α)、F₃(chr_α)、F₄(chr_α)和F₁(chr_β)、F₂(chr_β)、F₃(chr_β)、F₄(chr_β)，适应度值高的染色体被定义为chr_o。

步骤6：将染色体chr_o加入临时种群T，跳转至步骤2。

步骤7：根据上述方法得到最终临时种群T，其规模N_T＝N，用最终临时种群T替换原种群P：P←T。

每个优化问题再搜索空间、约束条件、目标函数等方面都存在一定的差异。即使在同一优化问题的不同优化阶段，不同算法之间也同样存在性能差异。

向量评估遗传算法的优势在于搜索空间，但最优解集离散度大，对于多目标优化问题，其最优解很难同时满足所有目标；小生境Pareto遗传算法的优势在于计算后期解集质量高，但在搜索空间方面性能较差，解集容易陷入局部最优。通过大量仿真数据发现，仅对单一算法的参数设置进行优化并不能有效提高算法本身性能，解集局部最优问题也无法彻底解决。

针对上述问题，将向量评估遗传算法、小生境Pareto遗传算法集合为一体，构建多目标集成遗传算法。目的在于，利用向量评估遗传算法在搜索空间性能方面的优势，并结合小生境Pareto遗传算法在计算后期解集质量高的特点，将两种算法各自的优势结合，使多目标集成遗传算法在多目标优化问题的计算过程任意阶段，都能发挥出更好的性能。

Images