69、顺序、多目标和并行交互式遗传算法评估

顺序、多目标和并行交互式遗传算法评估

1. 算法概述

在设计问题中，通常会涉及主观和定量特征。为了对这些特征进行优化，有三种交互式遗传算法（IGA）被提出并研究，分别是顺序IGA、多目标IGA和并行IGA。

1.1 顺序IGA

顺序IGA将设计问题的主观和定量特征视为单独的优化目标。从一次定性运行中创建的个体作为父设计输入到后续的定量运行中，确保定量运行的起点是经过主观优化的设计，从而建立了主观和定量标准之间的联系。这模拟了工程设计公司中典型的设计周期，即市场营销部门关注设计的主观方面，研发部门关注设计的定量方面，设计在两个部门之间流转。

1.2 多目标IGA

多目标IGA基于Deb提出的非支配排序遗传算法2（NSGA - 2）的改进版本。该算法通过引入精英主义和多样性的概念，增强了基于非支配的多目标优化技术。精英主义确保在各代中保留全局最优解，在NSGA - 2中，通过在进行非支配排序之前合并父代和子代种群来实现精英主义。非支配性表示在所有标准下比当前解更优的解的数量。NSGA - 2还通过计算拥挤距离，尽可能在帕累托前沿获得多样化的解。在多目标IGA中，对单个种群进行优化，主观目标值从用户处获取，而定量适应度由内置的适应度函数评估。

1.3 并行IGA

进化计算（EC）技术适合并行化，因为交叉、变异和评估可以在不同个体上独立进行。并行化的选择很大程度上取决于具体问题，常见的并行化技术有以下三种：
- 主从式并行化 ：单个处理器控制选择过程，其他处理器仅用于个体的交叉、变异和评估。适用于处理器数量少且评估时间长的情况。
-