多目标蚁群遗传算法及其在区域水资源配置问题中的应用

摘要

多目标优化问题在社会经济、管理、军事和人文等领域应用的非常广泛。传统的多目标优化方法，有一定局限性，往往只能搜索到部分局部最优的Pareto前沿(Pareto Front)，而很难得到充分、均匀的全局Pareto最优解。建立在生物智能或物理现象基础上的群体智能优化算法，搜索最优解的速度快、具有普适的鲁棒性，正成为解决多目标优化的前沿研究课题。 遗传算法和蚁群算法是研究的比较成熟、应用比较广泛的智能优化算法。遗传算法具有大范围全局搜索的能力，与问题的领域无关，其搜索从群体出发，具有潜在的并行性、可进行多值比较、鲁棒性强等特点。蚁群算法能够智能搜索、全局优化，而且具有鲁棒性、正反馈、分布式计算、易与其它算法结合等特点。 考虑到遗传算法具有快速性、随机性、全局收敛性等优点，但也具有冗余迭代多、早熟、对参数比较敏感的缺点：而蚁群算法具有并行性、正反馈机制以及求解效率高等特性，但其全局搜索能力较差，容易陷入局部解。因此本文将遗传算法与蚁群算法融合，提出多目标蚁群遗传算法，用于解决带约束条件多目标最优化问题。该算法结合蚁群算法的信息反馈更新机制，把信息量应用于指导多目标遗传算法的搜索选择，改善非劣排序的计算效率，在保证求解精度的同时降低计算复杂性。本算法先将解空间分解成多个子空问，再用信息素标定这些子空间，信息素对遗传搜索进行指导，在搜索中更新信息素，同时采用了最优决策集的更新策略和搜索收敛退出机制，从而提高求解效率，降低算法复杂度。实验证明，与以往算法相比，此算法能更快更精确地逼近：Pareto前沿。 在多目标遗传算法的应用方面，本文解析了区域水资源优化配置模型，并基于该算法提出了一个合理的解决方案，应用于实际问题获得了满意的效果。

目录

文摘

英文文摘

论文说明：图表目录

声明

第1章绪论

1.1引言

1.2多目标优化问题的基本概念

1.3传统的多目标最优化方法

1.3.1化多为少的方法

1.3.2分层序列法

1.4多目标优化问题的智能算法

1.4.1遗传算法概述

1.4.2蚁群算法概述

1.4.3粒子群算法概述

1.5本文主要工作

1.6论文结构

第2章几种经典的智能优化算法与多目标优化

2.1遗传算法

2.1.1遗传算法的特点

2.1.2遗传算法的设计和实现

2.1.3遗传算法的收敛性

2.1.4遗传算法的优越性与局限性

2.2蚁群算法

2.2.1蚁群算法的特点

2.2.2蚁群算法的设计和实现

2.2.3蚁群算法的收敛性

2.2.4蚁群算法的优越性与局限性

2.3粒子群算法

2.3.1粒子群算法基本思想

2.3.2粒子群算法的收敛性

2.3.3粒子群算法的特点

2.4非支配排序遗传算法(NSGA)及NSGA-Ⅱ

2.4.1非支配排序遗传算法(NSGA)

2.4.2带精英策略的非支配排序的遗传算法(NSGA-Ⅱ)

2.5本章小结

第3章遗传算法和蚁群算法的融合

3.1遗传算法和蚁群算法的简单融合

3.1.1算法思路

3.1.2 GAAA中遗传算法的定义与设置

3.1.3 GAAA中蚁群算法的改进与衔接

3.1.4简单融合算法的评价

3.2多目标蚁群遗传算法

3.2.1算法思路

3.2.2输入参数及初始化

3.2.3决策集更新

3.2.4遗传操作

3.2.5信息素更新

3.2.6算法步骤

3.3算法实验及改进

3.3.1算法性能评价方式

3.3.2数值实验

3.3.3算法的改进及实例验证

3.4本章小结

第4章基于多目标蚁群遗传算法的水资源优化配置问题研究

4.1引言

4.2水资源优化配置研究现状及发展趋势

4.2.1水资源优化配置研究进展

4.2.2常用水资源优化配置方法及发展

4.3区域多目标水资源优化配置模型

4.3.1目标函数的建立

4.3.2约束条件的确定

4.3.3多目标蚁群遗传算法求解模型

4.4应用实例

4.5本章小结

结论

参考文献

附录A 攻读学位期间所发表的学术论文目录

致谢