資源描述：
《基于Kriging的多目標(biāo)遺傳算法》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、第４４卷第２期航空計(jì)算技術(shù)Ｖｏｌ．４４Ｎｏ．２２０１４年３月ＡｅｒｏｎａｕｔｉｃａｌＣｏｍｐｕｔｉｎｇＴｅｃｈｎｉｑｕｅＭａｒ．２０１４基于Ｋｒｉｇｉｎｇ的多目標(biāo)遺傳算法鄭安波，馬漢東，羅小云（中國航天空氣動(dòng)力技術(shù)研究院，北京１０００７４）摘要：為了提高多目標(biāo)優(yōu)化問題的求解效率，提出了一種新的處理約束多目標(biāo)優(yōu)化問題的基于Ｋｒｉｇｉｎｇ的多目標(biāo)遺傳算法（ＭＯＫＧＡ）。ＭＯＫＧＡ采用物理規(guī)劃法將多目標(biāo)優(yōu)化轉(zhuǎn)化為單目標(biāo)優(yōu)化，然后構(gòu)建目標(biāo)函數(shù)的考慮約束的ＥＩ（ＥｘｐｅｃｔｅｄＩｍｐｒｏｖｅｍｅｎｔ）模型，并采用遺傳算
2、法進(jìn)行求解。六峰值駝背函數(shù)和一個(gè)導(dǎo)彈多目標(biāo)多學(xué)科設(shè)計(jì)優(yōu)化問題用于ＭＯＫＧＡ算法性能的測試。結(jié)果表明，與理論解相比，ＭＯＫＧＡ算法有很好的優(yōu)化結(jié)果；與ＮＳＧＡＩＩ相比，ＭＯＫＧＡ有很快的收斂性。關(guān)鍵詞：多目標(biāo)優(yōu)化；遺傳算法；物理規(guī)劃；約束中圖分類號(hào)：Ｏ２２４ 文獻(xiàn)標(biāo)識(shí)碼：Ａ文章編號(hào)：１６７１桘６５４Ｘ（２０１４）０２桘００８７桘０４MultiobjectiveGeneticAlgorithmBasedonKrigingＺＨＥＮＧＡｎ桘ｂｏ，ＭａＨａｎ桘ｄｏｎｇ，ＬｕｏＸｉａｏ桘ｙｕｎ（ChinaAcadem
3、yofAerospaceAerodynamics，Beijing１０００７４，China）Abstract：Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｅｆｆｉｃｉｅｎｃｙｆｏｒｓｏｌｖｉｎｇｍｕｌｔｉｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｂｌｅｍ，ａｎｅｗｍｅｔｈｏｄｄｅａｌｉｎｇｗｉｔｈｃｏｎｓｔｒａｉｎｅｄｍｕｌｔｉｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎｉｓｐｒｏｐｏｓｅｄ，ｗｈｉｃｈｉｓｍｕｌｔｉｏｂｊｅｃｔｉｖｅｋｒｉｇｉｎｇｂａｓｅｄｇｅ-ｎｅｔｉｃａｌｇｏｒｉｔｈｍ（ＭＯＫＧＡ）．Ｐｈｙ
4、ｓｉｃａｌｐｒｏｇｒａｍｍｉｎｇｉｓｕｓｅｄｉｎＭＯＫＧＡｔｏｃｏｎｖｅｒｔｔｈｅｍｕｌｔｉｏｂｊｅｃｔｉｖｅｔｏａｓｉｎｇｌｅｏｂｊｅｃｔｉｖｅ，ａｎｄｔｈｅｎＥＩ（ＥｘｐｅｃｔｅｄＩｍｐｒｏｖｅｍｅｎｔ）ｉｓｍａｄｅｆｏｒｔｈｅｓｉｎｇｌｅｏｂｊｅｃｔｉｖｅｔａｋｉｎｇｉｎｔｏｃｏｎｓｉｄ-ｅｒａｔｉｏｎｔｈｅｖａｒｉｏｕｓｃｏｎｓｔｒａｉｎｔｓ．ＧｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｏｐｔｉｍｉｚｅｔｈｅＥＩ．Ｓｉｘ桘ｈｕｍｐｃａｍｅｌｂａｃｋｆｕｎｃ-ｔｉｏｎａｎｄａｍｕｌｔｉｏｂｊｅｃｔｉ
5、ｖｅｍｕｌｔｉｄｉｓｃｉｐｌｉｎａｒｙｄｅｓｉｇｎｏｐｔｉｍｉｚａｔｉｏｎｏｆｍｉｓｓｉｌｅａｒｅｕｓｅｄｔｏｔｅｓｔｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆＭＯＫＧＡ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔＭＯＫＧＡｃａｎｆｉｎｄｇｏｏｄｒｅｓｕｌｔｓａｓｃｏｍｐａｒｅｄｔｏｔｈｅｏｒｙｓｏｌｕｔｉｏｎａｎｄｈａｓｆａｓｔｃｏｎｖｅｒｇｅｎｃｅａｓｃｏｍｐａｒｅｄｗｉｔｈＮＳＧＡＩＩ．Keywords：ｍｕｌｔｉｏｂｊｅｃｔｉｖｅ；ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ；ｐｈｙｓｉｃａｌｐｒｏｇｒａｍｍｉｎｇ；ｃｏｎｓｔｒ
6、ａｉｎｓ引言１ 基于Ｋｒｉｇｉｎｇ的多目標(biāo)遺傳算法近年來，隨著優(yōu)化技術(shù)的不斷發(fā)展，Ｐａｒｅｔｏ遺傳算１．１ 基于Ｋｒｉｇｉｎｇ的遺傳算法［１－２］法不斷應(yīng)用于多目標(biāo)優(yōu)化問題?；冢校幔颍澹簦镒顑?yōu)Ｋｒｉｇｉｎｇ模型假定為全局模型和局部偏離的結(jié)［６］解的多目標(biāo)遺傳算法中，比較典型的ＭＯＧＡ有Ｆｏｎｓｅｃａ合，即：［３］［４］和Ｆｌｅｍｉｎｇ的ＭＯＧＡ，Ｈｏｒｎ的ＮＰＧＡ，Ｄｅｂ的ＮＳ-y（x）＝f（x）＋Z（x）（１）［５］式中y（x）為未知函數(shù)，f（x）是設(shè)計(jì)空間的全局模型，ＧＡ桘ＩＩ（Ｎｏｎ桘ｄｏｍｉｎａｔｅ
7、ｄＳｏｒｔｉｎｇＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍＩＩ）等。這類方法的共同特點(diǎn)是，在進(jìn)化過程中，通過構(gòu)造而Z（x）是局部偏離。Ｋｒｉｇｉｎｇ模型的預(yù)測值精度取決當(dāng)前進(jìn)化種群的非支配集，使之不斷逼近Ｐａｒｅｔｏ最優(yōu)于預(yù)測點(diǎn)與樣本點(diǎn)的距離，離樣本點(diǎn)越近，預(yù)測值y＾（x）的精度越高。這可以用Ｋｒｉｇｉｎｇ模型的均方差解來實(shí)現(xiàn)。這些算法構(gòu)造非支配集的計(jì)算復(fù)雜度均不２２低于o（N），N為組合種群規(guī)模。因此，當(dāng)種群規(guī)模Ns（x）表示，它表示估計(jì)點(diǎn)的不確定性。根均方差表示２比較大，這些算法的計(jì)算成本仍然很高，尤其是遇到分為s
8、＝s（x）。析模型比較復(fù)雜的工程問題，優(yōu)化問題的計(jì)算成本更采用近似技術(shù)進(jìn)行優(yōu)化的方法依賴于近似模型的高。針對(duì)上述問題，本文提出了一種新的基于Ｋｒｉｇｉｎｇ精度，精度越高，優(yōu)化結(jié)果越可靠；精度越低，可靠性越的多目標(biāo)遺傳算法。差。因此為了在優(yōu)化設(shè)計(jì)中提高模型的預(yù)測精度，采收稿日期：２０１３－１１－０５ 修訂日期：２０１４－０２－１４作者簡介：：鄭安波（１９８１－），男，湖北英山人，工程師，博士，主要
