求解多目标优化问题的多智能体遗传算法.pdfVIP

维普资讯 西北大学学报 (自然科学版) 2005年2月 ，第 35卷第 1期 ，Feb．，2005，Vo1．35，No．1 JournalofNorthwestUniversity(NaturalScienceEdition) 求解多 目标优化问题的多智能体遗传算法 孟红云 ．刘三 阳 (西安电子科技大学 应用数学系，陕西 西安 710071) 摘要 ：目的 在求解多 目标优化问题时，总是希望获得尽可能多的Pareto解，且这些解能够较均匀 地分布在 目标空间的Pareto边界上。方法 通过 引入智能体的概念，并将多个智能体组成的多智 能体系统与经典遗传算法相结合 ，给出了一种求解多 目标优化 问题的多智能体遗传算法。结果 对每个智能体在其邻域 内进行局部 Pareto寻优操作 ，而不是在整个群体 中进行Pareto寻优 ，从而保 证 了群体的多样性，并在一定程度上抑制了种群的早熟现象。结论 该方法能够找到问题的分布 较均匀的Pareto最优解。 关 键 词 ：多 目标优化 ；Pareto最优解；遗传算法；智能体 中图分类号 ：0221，6 文献标识码：A 文章编号：1000-274X(2005)01-0013-04 考虑如下多 目标优化问题 于所有操作都作用于局部种群而不是整个种群 ，起 (MOP)minF()=(．()，… _m())， 到了维持群体多样性 的作用 ，从而在一定程度上抑 s．t． ∈ o 制了遗传算法的早熟现象。实验结果表明：本文算 其中 ∈R”，即 = ( ”，)。称为该多 目标优 法在无需太多计算量的情况下 ，便可找到所给问题 化问题的可行域 ，F()是 目标函数 ，它有m个分量。 的相当多的且分布较均匀的Pareto最优解。 通常这些决策 目标是互相牵制、互相冲突的。因此 ， 不可能找到使每个 目标函数都达到最优的解 ，而只 1 算法的基本思想 能寻找使每个决策 目标尽可能满意 的折衷解。 Pareto最优解是求解多 目标优化问题常用的概念。 遗传算法是模拟生物在 自然环境中的遗传和进 其定义如下： 化过程而形成的一种 自适应全局优化算法。由于其 定义 1… 称 ∈ 是 MOP的有效解 (或弱有 简单、通用、鲁棒性强和便于并行等特点，已被广泛 效解)是指不存在Y∈ ，使 应用于各种领域。但是，实践也表明，仅使用以遗传 F(Y)≤F()(或F(y)F())。 算法为代表的进化算法来模仿生物的智能远远不 这里 F(Y)≤F()表示 (Y)≤ ()，i=1，2，…， 够，还必须更加深层次地挖掘与利用生物的智能资 P，且至少有一个严格不等式成立。 源。由复杂性刺激出来的人工生命 目前得到了广泛 有效解又叫非劣解或 Pareto最优解。 的应用与蓬勃发展 ，它在借助生物学来帮助计算机 求解多 目标优化问题的传统方法已有许多，如 实现智能计算方面 已获得显著成果。其 中基于 线性加权法、极大极小法等…。20世纪 60年代发 Multi．Agent的思想方法得到 了成功 的应用 。本 展起来的遗传算法 ，及其各种改进方法 ，给求解多目 文从生物对环境的能动适应性和生物间竞争协同关 标优化问题带来了新的生机_2l3。本文给 出了一种 系出发，给出了一种求解多 目标优化问题 的遗传算 基于多智能体 (Multi．Agent)求解多 目标优化问题的 法。分析与实验结果均表明，通过多智能体系统内 遗传算法，这种方法利用Agent的局部感知、竞争协 个体之间的信息交换，实现 了种群内每个个体信息 同和 自学习等特性来实现生物对环境的 自适应