【文献阅读】多目标优化算法改进-Part2

摘要：聚焦知网上NSGA2算法的改进策略，了解目前大家是怎么改的

一、基于改进 NSGA2 算法的配电网分布式电源优化配置

1. 摘要：基于 NSGA2 算法存在收敛性和分布均匀性不足的问题，文中研究了一种改进的 NSGA2 算法，该算法**使用算术交叉算子和精英交叉策略，并引入了伪适应度值的概念。**同时，为更好地研究分布式电源选址定容问题，文中建立了以有功网损和节点电压偏移为目标的分布式电源选址定容模型，并用改进算法对该模型进行求解，最后在 MATLAB 软件下以 IEEE-33 节点系统为例进行测试，仿真结果与传统的 NSGA2 算法进行比较，证明了该方法在分布式电源优化配置方面的有效性和优越性。
2. 引言

• NSGA2算法收敛速度慢、需要手动指定共享参数等一系列缺点，并在此基础上改进而来。
• 算法的提出使算法整体性能得到了提高，但是算法在收敛性和分布均匀性方面还有待进一步改善。
• 本文引入伪适应度值的概念和算数交叉算子，并采用精英交叉策略，提出了一种改进的NSGA2算法，使得改进后的算法收敛性更好，分布更均匀。

3. 具体算法：引入算术交叉算子和精英交叉策略，引入伪适应度值的概念。

• 伪适应度值：精英保留策略，使算法得到更为符合条件的解，从而优化出最符合决策者要求的决策方案。选择更优秀的个体组成精英解，提出伪适应度值的概念，其值越小表明个体越优秀（如何发挥作用）。
  
• 交叉算子改进：传统的交叉算子使用的是SBX（模拟二进制交叉），但是其搜索能力有限，很难达到种群的差异多样性。为了改进这一缺点，使得到的非劣解集更具多样性，故引入算术交叉算子。
  
• 精英交叉策略：当种群开始进行交叉操作时，会从精英集合中选择一条精英染色体与之进行交叉操作，因此提高了交叉个体的质量，也进一步提高了交叉后新生成的种群个体的质量。

4. 整体流程
   
   （1）初始种群和初始精英群作用的过程和机理
   （2）什么时候求适应度值什么时候求伪适应度值
   P：可能还是要看一下代码

5. 实验设计

• 结合实际问题，分别采用两种不同的算法求解，分析其得到的帕累托解集的空间分布。
• 对比原网络、NSGA2和改进算法优化后的节点电压对比图。

二、基于改进的NSGA2 算法考虑病患公平性及医院运作成本的病床配置优化研究

1. 摘要：针对目前医院病床调度存在运营成本较大以及医患关系之间公平性的问题，提出一个考虑医院运作成本和病患公平性下单科室病床分配的多目标随机规划模型。首先，基于医院的相关政策，提出一个考虑响应性与准入性的权重测度指标来反映医患关系的公平性，并考虑医院的运作成本建立多目标随机规划模型; 其次，为方便算法求解，采用线性化方法将复杂模型处理成混合整数线性模型; 最后，采用改进后的 NSGA2 算法对多目标问题求解，并对算例进行不同的数值实验。通过调整不同的参数进行相对应的灵敏度分析，改进后的算法提升了算法的收敛性与多样性，实验结果验证了模型的有效性和适用性。
2. 算法设计
   （1