多目标进化算法搜索鲁棒最优解效率研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (23): 29-33.

多目标进化算法搜索鲁棒最优解效率研究

任亚峰，郑金华

湘潭大学信息工程学院，湖南湘潭 411105

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-08-11 发布日期:2011-08-11

Research on efficiency of multi-objective evolutionary algorithms in searching robust optimal solutions

REN Yafeng，ZHENG Jinhua

Institute of Information Engineering，Xiangtan University，Xiangtan，Hunan 411105，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-08-11 Published:2011-08-11

摘要/Abstract

摘要： 鲁棒最优解是进化计算研究的重要方面，同时也是研究难点。多目标进化算法搜索鲁棒最优解时，通常要用蒙特卡罗积分（MCI）近似估计有效目标函数（EOF），而已有求解方法近似精度不高，使得算法搜索鲁棒最优解的性能较差。提出用拟蒙特卡罗方法（Q-MC）来估计有效目标函数方法，其所引入的Q-MC方法——Korobov点阵能更精确地估计EOF。实验结果表明，与现有的原始蒙特卡罗方法（C-MC）相比，拟蒙特卡罗方法（Q-MC）可以较大地提高多目标进化算法搜索鲁棒最优解的效率。

关键词: 进化算法, 鲁棒最优解, 拟蒙特卡罗方法, 有效目标函数, 蒙特卡罗积分

Abstract: Robust optimal solution is of great significance in engineering application.It is one of the most important and difficult topics in evolutionary computation.Monte Carlo Integral（MCI） is generally used to approximate Effective Objective Function（EOF） in searching robust optimal solution with Multi-Objective Evolutionary Algorithm（MOEA）.However，due to the low degree of accuracy in existing MCI method，the performance of searching robust optimal solution with MOEA is unsatisfactory.Therefore，the Quasi-Monte Carlo（Q-MC） method is proposed which is used to estimate EOF.Through lots of numerical experimentations，the results demonstrate that the proposed Q-MC methods —Korobov Lattice can approximate EOF more precisely when compared with the existing crude Monte Carlo（C-MC） method，and consequently the efficiency of searching robust optimal solution with MOEA has been improved at a substantial level.

Key words: evolutionary algorithm, robust optimal solutions, Quasi-Monte Carlo method, effective objective function, Monte Carlo integral

任亚峰，郑金华. 多目标进化算法搜索鲁棒最优解效率研究[J]. 计算机工程与应用, 2011, 47(23): 29-33.

REN Yafeng，ZHENG Jinhua. Research on efficiency of multi-objective evolutionary algorithms in searching robust optimal solutions[J]. Computer Engineering and Applications, 2011, 47(23): 29-33.

[1]	钱峥远，曾国荪. 精英化岛屿种群引导的差分进化算法[J]. 计算机工程与应用, 2021, 57(20): 73-81.
[2]	白首华，郭广颂，胡天彤. 交互式多目标文化算法优化多模态混合指标[J]. 计算机工程与应用, 2021, 57(17): 80-87.
[3]	崔彩霞，毕超超，范勤勤. 基于隐马尔可夫链的自适应MODE及应用[J]. 计算机工程与应用, 2021, 57(14): 83-94.
[4]	李荣，贺兴时，杨新社. 基于差分进化的飞蛾算法在电力调度中的应用[J]. 计算机工程与应用, 2021, 57(13): 258-268.
[5]	沈鑫，邹德旋，张强. 采用双变异策略的自适应差分进化算法及应用[J]. 计算机工程与应用, 2020, 56(4): 146-157.
[6]	吉训生，蔡益青. 利用历史信息和限制算子求解MOFJSP[J]. 计算机工程与应用, 2020, 56(2): 272-278.
[7]	蔡延光，陈厚仁，戚远航. 变邻域量子烟花算法求解CVRP[J]. 计算机工程与应用, 2019, 55(9): 230-236.
[8]	耿焕同，周利发，丁洋洋，周山胜. 一种基于新型差分进化模型的MOEA/D改进算法[J]. 计算机工程与应用, 2019, 55(8): 138-146.
[9]	周林. 低碳时变城配送车辆路径-发车调度集成优化[J]. 计算机工程与应用, 2019, 55(8): 264-270.
[10]	迟宗正，董绍正，郭童，任志磊，周宽久，郭禾. 求解风力发电机布局问题的超启发式算法研究[J]. 计算机工程与应用, 2019, 55(7): 220-225.
[11]	肖俊明，高洪洋，朱永胜，瞿博阳. 考虑新能源接入的电力多目标优化调度[J]. 计算机工程与应用, 2019, 55(23): 241-247.
[12]	顾春华，刘鑫平，罗飞，丁炜超. 基于同步更新外部归档集的NSGA-II改进算法[J]. 计算机工程与应用, 2018, 54(20): 28-34.
[13]	申晓宁，孙毅，薛云勇. 采用放松支配关系的高维多目标微分进化算法[J]. 计算机工程与应用, 2018, 54(18): 161-167.
[14]	刘利斌1，2，隆广庆1，2，上官珍萍1. 差分进化与有理谱方法求解奇异摄动问题[J]. 计算机工程与应用, 2018, 54(17): 225-230.
[15]	钱武文，柴军瑞，张子映，谈然. 基于反射变异策略的自适应差分进化算法[J]. 计算机工程与应用, 2018, 54(15): 161-168.