多目标优化算法_多目标优化算法介绍

大多数工程和科学问题都是多目标优化问题，从本专业的角度来说，例如建筑运行节能与室内光热舒适的权衡、能源系统的经济效益与碳排放的权衡等。

存在如此多个彼此冲突的目标，如何获取这些问题的最优解，一直都是学术界和工程界关注的焦点问题。与单目标优化问题不同，多目标优化的本质在于，大多数情况下，某目标的改善可能引起其他目标性能的降低，同时使多个目标均达到最优是不可能的，只能在各目标之间进行协调权衡和折中处理，使所有目标函数尽可能达到最优，而且问题的最优解由数量众多，甚至无穷大的Pareto最优解组成。

智能优化算法是一类通过模拟某一自然现象或过程而建立起来的优化方法，和传统的数学规划法相比，智能优化算法更适合求解多目标优化问题。首先，大多数智能优化算法能同时处理一组解，算法每运行一次，能获得多个有效解。其次，智能优化算法对Pareto最优前端的形状和连续性不敏感，能很好地逼近非凸或不连续的最优前端。这类算法包括进化算法、粒子群算法、禁忌搜索、分散搜索、模拟退火、人工免疫系统和蚁群算法等。

1.进化算法

进化算法来源于对生物进化过程的模拟，它将问题的求解表示成染色体的适者生存过程，通过染色体的一代代进化，最终收敛到最适应环境的个体(即问题的最优解或满意解)，该类算法主要包括遗传算法(GA)、进化策略(ES)和进化规划(EP)等。

2.粒子群算法

粒子群算法来源于对鸟群优美而不可预测的飞行动作的模拟，粒子的飞行速度动态地随粒子自身和同伴的历史飞行行为改变而改变。是在对动物集群活动行为观察基础上，利用群体