求解多目标组合优化的改进Pareto适应度遗传算法

doi:10.3778/j.issn.1002-8331.2009.08.014

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (8): 44-46.DOI: 10.3778/j.issn.1002-8331.2009.08.014

求解多目标组合优化的改进Pareto适应度遗传算法

杨开兵^1,2,刘晓冰²

1.大连工业大学信息科学与工程学院，辽宁大连 116034
2.大连理工大学 CIMS中心，辽宁大连 116024

收稿日期:2008-01-21 修回日期:2008-04-16 出版日期:2009-03-11 发布日期:2009-03-11
通讯作者: 杨开兵

Improved Pareto Fitness Genetic Algorithm for multi-objective combinatorial optimization

YANG Kai-bing^1,2,LIU Xiao-bing²

1.College of Information Science and Engineering，Dalian Polytechnic University，Dalian，Liaoning 116034，China
2.CIMS Center，Dalian University of Technology，Dalian，Liaoning 116024，China

Received:2008-01-21 Revised:2008-04-16 Online:2009-03-11 Published:2009-03-11
Contact: YANG Kai-bing

摘要/Abstract

摘要： 将Pareto适应度遗传算法（PFGA）与局部搜索相结合，提出了一种用于求解多目标组合优化问题的改进算法IPFGA，该算法基于Pareto支配关系对遗传操作产生的每一个个体进行局部搜索，并采取在外部群体中引入拥挤距离的精英选择策略。实验结果表明，与PFGA相比，IPFGA有更快的收敛速度。

关键词: 多目标组合优化, Pareto适应度遗传算法, 局部搜索

Abstract: Combining Pareto Fitness Genetic Algorithm（PFGA） with local search，an Improved Pareto Fitness Genetic Algorithm（IPFGA） for multi-objective combinatorial optimization is proposed.In the proposed algorithm，a local search procedure is applied to each solution generated by genetic operations.The concept of Pareto dominance is used in the local search procedure，and the idea of crowding distance in the external population is used to perform elitism.The experimental results show that the IPFGA，compared with the known PFGA，has faster convergent speed.

Key words: multi-objective combinatorial optimization, Pareto Fitness Genetic Algorithm（PFGA）, local search

杨开兵^1,2,刘晓冰². 求解多目标组合优化的改进Pareto适应度遗传算法[J]. 计算机工程与应用, 2009, 45(8): 44-46.

YANG Kai-bing^1,2,LIU Xiao-bing². Improved Pareto Fitness Genetic Algorithm for multi-objective combinatorial optimization[J]. Computer Engineering and Applications, 2009, 45(8): 44-46.

[1]	徐辰华，骆珠光，吴冠宏，刘斌. 基于正弦因子和量子局部搜索的灰狼优化算法[J]. 计算机工程与应用, 2021, 57(24): 83-89.
[2]	郝翔，贺毅朝，朱晓斌，翟庆雷. 基于离散混合多宇宙算法求解折扣{0-1}背包问题[J]. 计算机工程与应用, 2021, 57(18): 103-113.
[3]	闫苗苗，刘三阳. 多班级交互式教学优化算法[J]. 计算机工程与应用, 2019, 55(9): 10-16.
[4]	刘春苗，张惠珍. 求解无容量设施选址问题的混合蝙蝠算法[J]. 计算机工程与应用, 2018, 54(22): 28-34.
[5]	董小帅1，2，3，毛政元1，2，3. 基于改进遗传算法的动态路径规划研究[J]. 计算机工程与应用, 2018, 54(19): 49-55.
[6]	吴聪聪1，赵建立1，2，刘雪静1，陈嶷瑛1. 改进的差分演化算法求解多维背包问题[J]. 计算机工程与应用, 2018, 54(11): 153-160.
[7]	胡炜1，2，曾斌1，姚路1. 事件驱动下的重点海域监测站部署算法研究[J]. 计算机工程与应用, 2017, 53(7): 136-140.
[8]	宋强. 改进迭代局部搜索算法在MMTVRP中的应用[J]. 计算机工程与应用, 2017, 53(7): 248-255.
[9]	洪剑珂1，张峥华2，许贵平2. 基于加强概率控制策略的SAT局部搜索算法[J]. 计算机工程与应用, 2017, 53(14): 56-60.
[10]	王蒙，樊坤，翟亚飞，李心宁. 网络并行计算中多处理机任务调度问题研究[J]. 计算机工程与应用, 2017, 53(10): 264-270.
[11]	伍艳莲1，2，姜海燕1，2，庄嘉祥1，郭小清1，许一骅1. 精英策略个体优势遗传算法研究[J]. 计算机工程与应用, 2016, 52(7): 143-149.
[12]	林耿1，徐梅琴2. 图的最大二等分问题的一种离散填充函数算法[J]. 计算机工程与应用, 2016, 52(5): 27-32.
[13]	鲁宇明1，4，王彦超2，刘嘉瑞3，Wu Liu4. 一种改进的生物地理学优化算法[J]. 计算机工程与应用, 2016, 52(17): 146-151.
[14]	胡博. 基于均匀设计的免疫克隆多峰函数优化[J]. 计算机工程与应用, 2015, 51(2): 57-59.
[15]	胡敏1，胡博1，黄红梅2. 基于免疫Memetic算法的网络组播路由优化[J]. 计算机工程与应用, 2013, 49(2): 105-108.

求解多目标组合优化的改进Pareto适应度遗传算法

Improved Pareto Fitness Genetic Algorithm for multi-objective combinatorial optimization

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics