论文部分内容阅读
在工业生产和工程实践领域存在大量约束优化问题,求解带有约束条件的优化问题较为复杂。传统的数学方法解决该类问题时十分困难,因此,启发式算法因其简单的设计结构和易实现的特点迅速的被相关研究人员所关注。约束处理技术是解决约束优化问题的一个关键技术。由于约束条件的存在使得求解约束优化问题时面临着解空间不连续和解空间非凸等挑战。约束处理的主要目的是平衡可行解和不可行解的关系使得约束优化问题能找到全局最优解。目前使用最为广泛的约束处理技术有四类,分别为:罚函数法、约束目标分离法、多目标优化法和混合法。差分演化(DE)算法是Storn和Price于1995年提出的一种启发式算法,由于其在解决优化问题上的简单性和高效性备受研究工作者的青睐。本文分析了差分进化的六种变异算子并简述了三个基于差分进化的约束优化算法FROFI、CMAD 和 e-DE。本文在分析约束优化问题特点的基础上,提出了一种双阶段多策略的自适应参数差分演化算法FG-ADE。采用分阶段的策略和自适应参数的策略对传统的DE约束优化算法进行改进。第一,采用Freedom和Governance策略将整个约束优化算法分为偏向目标函数和偏向约束处理技术两个阶段。在Freedom阶段,群体不考虑约束限制仅将目标值作为进化方向,其目的是使群体能快速分布在适应值较优区域。在Governance阶段,加入约束限制,个体比较以约束违背度作为第一准则,其目的是使个体能迅速进入可行域。第二,采用自适应的方法为不同问题或同一问题的不同阶段选择合适的参数以此来提高算法的健壮性。同时我们对FG-ADE算法的关键参数进行了比较、分析。在CEC2010的18个基准测试函数上的测试结果表明,FG-ADE的性能较其他同类约束优化算法有显著的优势。另外,本文将FG-ADE算法用于解决经济学领域的投资组合问题,在改进的均值-方差模型上测试了 FG-ADE的性能。测试结果显示,相较于其他同类型的算法FG-ADE约束优化算法在经济学投资组合问题上求得的结果更好,此外FG-ADE算法表现出的健壮性也远高于其他算法。