基于改进式遗传算法的多目标多约束问题求解

摘要

多目标、多约束规划问题一直是最优化研究领域中的难题。由于在求解、优化过程中，必须同时考虑资源约束，使问题的复杂性大大增加。
　　此类问题在现实中具有较多的应用场景，例如各类排班问题。而求解的最终目的是为了提高实际应用场景中的生产效率。
　　本文以模拟机复训问题作为研究对象，考虑模拟机复训计划安排中的各种约束条件，建立一个描述该问题的模型，进而找出有效的求解方法。我们以标准遗传算法框架为基础，对其中的适应度函数以及部分遗传操作进行改进，使之适应该问题的需要。
　　本文的主要研究成果有：
　　对模拟机复训问题进行了深入分析，根据该问题的需求整理出了最终的排班规则，并建立了一个较为通用的模型描述此类问题，以便于遗传算法的求解。
　　提出了基因适应度的概念，并设计了相应的适应度函数，用于评价个体中各个基因片段对约束规则的适应性。
　　在基因适应度的基础上，改进了遗传算法中的选择和交叉操作。通过基因适应度的挑选优秀基因，然后通过主动交叉的方式在进化过程中保留这些基因，从而提升种群的进化性能。
　　实验结果显示，本文所提出的改进式遗传算法无论是在仿真数据集上还是在实际应用中都能有效地逼近最优解，并且在异常点较多的数据集上体现出较强的鲁棒性。