本文介绍多目标进化优化算法（MOEA），它结合进化算法与多目标优化策略求解多目标问题。阐述了MOEA流程，包括目标函数、个体关系、Pareto最优解集；介绍基于分解和支配的MOEA算法；还提及MOEA具体工作、需考虑的分布性和收敛性问题，以及一种求解多目标优化问题的进化算法混合框架。
文章目录
多目标优化概念
在生活中的优化问题，往往不只有一个优化目标，并且往往无法同时满足所有的目标都最优。例如工人的工资与企业的利润。
多目标进化优化算法即利用进化算法结合多目标优化策略来求解多目标优化问题。经典而久经不衰的多目标优化算法有：NSGA2、NSGA3、MOEA/D等。其中NSGA2和NSGA3是基于支配的MOEA(Multi-objective evolutionary algorithm)，而MOEA/D是基于分解的MOEA。
一. MOEA流程
1.目标函数：
将多个子目标优化函数统一转换成最大化或者最小化，将多个子目标统一为总目标函数最优解
m i n f ( x ) = ( f 1 ( x ) , f 2 ( x ) , f 3 ( x ) , f 4 ( x ) , . . . , f r ( x ) ) min f(x)=(f_{1}(x),f_{2}(x),f_{3}(x),f_{4}(x),...,f_{r}(x)) minf(x)=(f
最低0.47元/天 解锁文章
扫一扫
1346
到【灌水乐园】发言
