当前进化多目标优化算法的研究热点——求解多目标优化的断型进化范例研究（三）

前言

近年来,粒子群优化、蚁群算法、人工免疫系统、分布估计算法、协同进化算法、密母算法、文化进化算法等一些新的进化范例陆续被用于求解多目标优化问题。本文选取其中2类比较典型的算法进行讨论。

 一、模拟退火 （SA）算法

模拟退火算法是基于Monte Carlo迭代求解策略的随机寻优算法，是局部搜索算法的扩展。

（一）基本原理

模拟退火算法出发点是固体物质的退火过程与一般组合优化问题的相似性，通过模拟固体退火过程，从某一初温开始，随着温度的降低，结合概率突跳特性在解空间中搜索最优解，即在局部解时能概率性地跳出并最终趋于全局最优。它采用了Metropolis Hastings接受准则，并用一组称为冷却进度表的参数控制算法进程。

（二）数学描述

在给定邻域结构后，模拟退火过程是从一个状态到另一个状态不断随机 “游动 ”，这个过程可用马尔可夫链来描述。当温度ｔ为一定时，两个状态的移动概率定义如下：

Ａ_ij不总是等于1，即状态也有不被接受的可能，算法停留在状 态 ｉ的概率为：

式中ｐ_ij是下一步转移概率；|D|表示状态集合 (解集合 )中状态的个数；θ_ij是从i到 j产生概率表示在状态 i 到就 j 态被选取的概率可以理解 j 是 i 的邻域；A_ij是接受概率，表示在状态 i 产生 j 后接受 j的概率，模拟退火过程中其接受 i 概率为 ：

其中ｆ(i)为第 j 个状态下的目标函数值Δf_ij＝f(j)-f(i)。模拟退火算法在迭代搜索过程以 Metropolit接受准则接受目标，所以具有跳出局部最优的能力通用、灵活性高。

（三）优点

模拟退火算法是一个有效的全局优化算法这类算法的最 大优点是对搜索空间 （目标函数的性质 ）不加任何限制可以 是不连续的、不可微的并且也能求得Pareto边界上多个不同 方向的 Pareto最优解。

 （四）缺点

模拟退火算法对初始温度和退温系数这两个参数的依赖性较强， 这两个参数选择恰当与否将直接关系到算法性能。

其需要大量的迭代次数因而收敛速度慢、优化效率较低。在解决多目标问题时仍将其转换为单目标问题采用单目标技术求解。由于单目标问题与多目标问题的不同在求解时往往得不到分布更广的 Pareto最优解集，即将丢失一部分Pareto解。

二、蚁群优化算法

蚁群优化算法是通过模拟自然界蚂 蚁搜索食物的行为提出的仿生优化算法。

（一）蚁群现象

仿生学家经过大量细致观察研究发现蚂蚁个体之间是通过一种称之为信息素的物质进行信息传递的。蚂蚁在运动过程中能够在它所经过的路径上留下该种物质而且蚂蚁在运动过程中能够感知这种物质并以此指导自己的运动方向。

因此由大量蚂蚁组成的蚁群集体行为便表现出一种信息正反馈现象：某一路径上走过的 蚂蚁越多则后来的蚂蚁选择该路径的概率就越大。

（二）蚁群算法的基本原理

基于对自然界真实蚁群的 集体觅食行为的研究模拟真实的蚁群协作过程。算法由若干个蚂蚁共同构造解路径通过在解路径上遗留并交换信息素的方法反馈信息提高解的质量进而找到最短路径达到优化的目的。

（三）优点

蚁群算法是一种本质上并行的算法可以看做是一个分布式的多agent系统。它在问题空间的多点同时开始进行独立的解搜索，不仅增加了算法的可靠性，也使得算法具有较强的全局搜索能力。

其正反馈的过程不仅能够使得初始值不断地扩大同时，又可以引导整个系统向最优解的方向进化。

同时蚁群算法的求解结果不依赖于初始路线的选择而且在搜索过程中不需要进行人工的调整。

（四）缺点

但是蚁群算法需要较长的搜索时间易于出现早熟停滞现象。