遺傳算法在多目標(biāo)優(yōu)化中的作用調(diào)研報(bào)告

遺傳算法在多目標(biāo)優(yōu)化中的作用調(diào)研報(bào)告姓名：學(xué)院:班級(jí):學(xué)號(hào)：完成時(shí)間:20年月日目錄1.課題分析 02.檢索策略. 02.1檢索工具的選擇.....02.2檢索詞的選擇. 0 2.3通用檢索式. 03.檢索步驟及檢索結(jié)果. 03.1維普中文科技期刊數(shù)據(jù)庫. 03.2中國國家知識(shí)產(chǎn)權(quán)局?jǐn)?shù)據(jù)庫 23.3美國工程索弓IEngineerinGVillage(EI)數(shù)據(jù)庫 43.4ISIWEBOFKNOWLEDG包含webofscienceandINSPEC 63.5 歐洲專利局?jǐn)?shù)據(jù)庫 ...94.檢索體會(huì) 9 5.國內(nèi)外研究概況 10參考文獻(xiàn) 3課題分析多目標(biāo)優(yōu)化問題是近30年來迅速發(fā)展起來的一門新興學(xué)科 ，屬于應(yīng)用型基礎(chǔ)課題，有著重要和廣泛的應(yīng)用價(jià)值。多目標(biāo)優(yōu)化主要是研究多個(gè)數(shù)值目標(biāo)在給定約束條件下的最優(yōu)解的求取。隨著理論研究的不斷深入，多目標(biāo)優(yōu)化的應(yīng)用領(lǐng)域也日益擴(kuò)大 ，已經(jīng)涉及到過程控制、航空航天、人工智能、計(jì)算科學(xué)、許多實(shí)際復(fù)雜系統(tǒng)的設(shè)計(jì)、建模和規(guī)劃問題等諸多領(lǐng)域。求解多目標(biāo)問題的傳統(tǒng)算法存在許多局限性 ，并且存在關(guān)鍵致命問題。1975年美國密歇根大學(xué)教授J.Holland首次提出了遺傳算法，該領(lǐng)域的研究便迅速增長。遺傳算法是在計(jì)算機(jī)上模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理的生物進(jìn)化過程 ，進(jìn)行搜索尋優(yōu)的算法。近十幾年來，國內(nèi)外涌現(xiàn)出許多求解多目標(biāo)問題的遺傳算法及其改進(jìn)形式，這些算法及其改進(jìn)形式在解決多目標(biāo)優(yōu)化問題中得到成功應(yīng)用，顯示出強(qiáng)大的生命力。本課題的主要目的是通過應(yīng)用所學(xué)的文獻(xiàn)檢索知識(shí) ，檢索國內(nèi)外在多目標(biāo)優(yōu)化遺傳算法的研究進(jìn)展方面的文獻(xiàn)。 通過閱讀理解這些文獻(xiàn)，掌握該領(lǐng)域的最新研究情況；通過對(duì)各種遺傳算法適用條件、 應(yīng)用范圍及優(yōu)缺點(diǎn)的分析，以發(fā)現(xiàn)該領(lǐng)域研究切入點(diǎn)和今后發(fā)展方向。檢索策略2.1檢索工具的選擇該課題涉及目標(biāo)規(guī)劃領(lǐng)域、進(jìn)化算法領(lǐng)域,屬于數(shù)學(xué)、計(jì)算科學(xué)。同時(shí),該課題在眾多工程領(lǐng)域中應(yīng)用廣泛。因此，以下數(shù)據(jù)庫為必檢數(shù)據(jù)庫：(1)中文數(shù)據(jù)庫維普中文期刊數(shù)據(jù)庫或萬方數(shù)據(jù)資源系統(tǒng)中國國家知識(shí)產(chǎn)權(quán)局?jǐn)?shù)據(jù)庫(2)外文數(shù)據(jù)庫美國工程索引EI英國科學(xué)文摘網(wǎng)絡(luò)版INSPEC科學(xué)引文索引SCI歐洲專利數(shù)據(jù)庫2.2檢索詞的選擇在檢索詞的選擇上要注意同義詞、近義詞、不同拼寫方式等。(1)中文檢索詞核心檢索詞：遺傳算法、多目標(biāo)優(yōu)化其他檢索詞：進(jìn)化算法、多目標(biāo)、多目標(biāo)規(guī)劃、多目標(biāo)決策、優(yōu)化、傳統(tǒng)多目標(biāo)優(yōu)化方法、多目標(biāo)遺傳算法在研究課題文獻(xiàn)檢索初期，主要應(yīng)用課題的核心詞做適當(dāng)?shù)慕M配成為檢索式，進(jìn)行文獻(xiàn)查找。對(duì)于本課題而言 ，最核心、最顯著的檢索詞是“遺傳算法和多目標(biāo)優(yōu)化”。因?yàn)槎嗄繕?biāo)問題應(yīng)用廣泛，所以存在多目標(biāo)決策、多目標(biāo)規(guī)劃、多目標(biāo)優(yōu)化等多個(gè)檢索近義詞，如果只檢索“多目標(biāo)優(yōu)化”，可能會(huì)導(dǎo)致檢索不到“多目標(biāo)決策、多目標(biāo)規(guī)劃”，然而這些領(lǐng)域卻是多目標(biāo)問題的重要應(yīng)用領(lǐng)域。綜上考慮，在檢索過程中為提高查全率，決定將初始檢索詞定為：“遺傳算法和多目標(biāo)”，即不考慮決策、規(guī)劃、優(yōu)化等詞。另外，對(duì)于本課題研究中諸如發(fā)展、研究、進(jìn)展之類的詞語太寬泛，故不將其設(shè)為檢索詞，這樣也不會(huì)影響查全率。在檢索過程中應(yīng)根據(jù)檢索結(jié)果對(duì)檢索詞做靈活而適當(dāng)?shù)母淖?在保證查全率的情況下保證查準(zhǔn)率。⑵英文檢索詞核心檢索詞：geneticalgorithm（s）GA,multi-objectiveoptimizationproblemMOP 其他檢索詞：evolutionarycomputationEC,multiobjective,multi-objectiveoptimization,multi-objectivedecisionmaking,optimization,traditionalmulti-objectiveoptimizationmethods,multi-objectivegeneticalgorithm對(duì)于英文檢索詞，最值得注意的是截詞符的使用，因?yàn)橛⒄Z中一個(gè)詞義有多種表達(dá)形式，盡可能的考慮某些詞不同的表現(xiàn)形式 ，使用截詞符可以最大限度的提高查全率。例如。對(duì)“優(yōu)化”這個(gè)詞，至少有“optimization”和“optimizing”等兩種表達(dá)方式。所以我們選擇“optimiz*”作為檢索詞。根據(jù)具體的檢索情況 ，可以挑選其中的部分組配組成檢索式 ，以達(dá)到本課題的研究目的。2.3通用檢索式a）遺傳算法*多目標(biāo)*（進(jìn)化算法+規(guī)劃+決策+優(yōu)化+傳統(tǒng)）b）遺傳算法*多目標(biāo)c）遺傳算法*（進(jìn)化算法+規(guī)劃+決策+優(yōu)化+傳統(tǒng)）d） 多目標(biāo)*（進(jìn)化算法+規(guī)劃+決策+優(yōu)化+傳統(tǒng)）e） 進(jìn)化算法+規(guī)劃+決策+優(yōu)化+傳統(tǒng)f）geneticalgorithm+geneticalgorithm+GAg）evolutionarycomputation+evolutionarycomputation+EC+optimization+optimizing+traditional+decisionmaking這里,“*”表示邏輯“與” ，“+”表示邏輯“或”。檢索時(shí)可根據(jù)數(shù)據(jù)庫和檢索結(jié)果作相應(yīng)的調(diào)整檢索步驟及檢索結(jié)果3.1維普中文科技期刊數(shù)據(jù)庫檢索式：（Title_C=遺傳算法）*（Title_C=多目標(biāo)）*（（Keyword_C=（傳統(tǒng)多目標(biāo)）+Title_C=（傳統(tǒng)多目標(biāo)）））由于檢索條件限制過于嚴(yán)格，導(dǎo)致只有一篇文獻(xiàn)被命中，結(jié)果如下：1）【題名】傳統(tǒng)多目標(biāo)優(yōu)化方法和多目標(biāo)遺傳算法的比較綜述【作者】馬小姝、李宇龍、嚴(yán)浪【機(jī)構(gòu)】馬小姝（西安電子科技大學(xué),計(jì)算機(jī)學(xué)院，陜西,西安，710071;天水師范學(xué)院，物理與信息科學(xué)學(xué)院，甘肅,天水，741000）,李宇龍，嚴(yán)浪（天水電氣傳動(dòng)研究所有限責(zé)任公司，甘肅,天水,741020）【刊名】電氣傳動(dòng)自動(dòng)化，2010,32（3）:48-50,53【ISNN號(hào)】1005-7277【關(guān)鍵詞】多目標(biāo)優(yōu)化；傳統(tǒng)優(yōu)化方法；遺傳算法【中圖分類號(hào)】TP18【摘要】多目標(biāo)優(yōu)化是最優(yōu)化領(lǐng)域的一個(gè)重要的研究方向。論述了多目標(biāo)優(yōu)化模型，同時(shí)介紹了常用的幾種傳統(tǒng)優(yōu)化方法和常用的幾種多目標(biāo)遺傳算法,對(duì)改進(jìn)后的遺傳算法與傳統(tǒng)優(yōu)化方法求解效果進(jìn)行了比較,認(rèn)為要進(jìn)一步研究求解多目標(biāo)優(yōu)化問題的更多高效算法 ，若能結(jié)合兩者的優(yōu)點(diǎn)，處理多目標(biāo)問題的效果將越來越好。為了能夠更好的了解“遺傳算法在多目標(biāo)優(yōu)化中的作用”，決定將檢索式簡化為：（Title_C=遺傳算法）*（Title_C=多目標(biāo)）,找到約393篇文獻(xiàn),選出兩篇對(duì)課題研究進(jìn)展有重要意義的文獻(xiàn)摘錄如下：2）【題名】基于遺傳算法的多目標(biāo)優(yōu)化方法【作者】錢艷婷，王鵬濤【機(jī)構(gòu)】天津理工大學(xué)計(jì)算機(jī)與通信工程學(xué)院，天津300384【刊名】天津理工大學(xué)學(xué)報(bào)，2010,26(3):20-22【ISNN號(hào)】1673-095X 【關(guān)鍵詞】遺傳算法；多目標(biāo)優(yōu)化；AHP(層次分析)方法【中圖分類號(hào)】TP301;U116【摘要】文通過建立多目標(biāo)問題模型 ，提出了運(yùn)用改進(jìn)的遺傳算法求解多目標(biāo)物流網(wǎng)絡(luò)問題.該算法借鑒AHP方法的思想，采用將其與遺傳算法混合的求解策略，并采用分階段化的實(shí)數(shù)編碼思想以及相應(yīng)的遺傳算子設(shè)計(jì)，對(duì)遺傳算法進(jìn)行適應(yīng)性改進(jìn)?！绢}名】基于遺傳算法的鍛模阻力墻結(jié)構(gòu)多目標(biāo)優(yōu)化設(shè)計(jì) 【作者】周杰1,張渝1,2,安治國1,李路1【機(jī)構(gòu)】1.重慶大學(xué)材料科學(xué)與工程學(xué)院重慶400044;2.重慶交通大學(xué)機(jī)電與汽車工程學(xué)院重慶400074【刊名】機(jī)械工程學(xué)報(bào),2010,46(14):85-90【ISNN號(hào)】0577-6686【關(guān)鍵詞】阻力墻，模具壽命，Kriging模型,遺傳算法【中圖分類號(hào)】TG315.2【摘要】針對(duì)傳統(tǒng)模鍛工藝中飛邊槽結(jié)構(gòu)的不足，在綜合常規(guī)飛邊槽與楔形飛邊槽優(yōu)點(diǎn)的基礎(chǔ)上，提出鍛模新型飛邊結(jié)構(gòu)形式一一阻力墻。 以減少模具磨損和降低成形載荷為目標(biāo) ，通過優(yōu)化分析得到最佳阻力墻結(jié)構(gòu)參數(shù)，為阻力墻的應(yīng)用提供設(shè)計(jì)依據(jù)。 應(yīng)用拉丁超立方方法對(duì)阻力墻結(jié)構(gòu)參數(shù)進(jìn)行抽樣，對(duì)所得樣本進(jìn)行有限元模擬。將模擬結(jié)果作為響應(yīng)，以阻力墻結(jié)構(gòu)參數(shù)為變量，分別建立模具磨損和成形載荷的Kriging模型。基于上述近似模型，采用線性加權(quán)法將磨損Kriging模型和載荷Kriging模型轉(zhuǎn)化為單目標(biāo)函數(shù)，利用遺傳算法進(jìn)行全局尋優(yōu)，得到優(yōu)化的阻力墻結(jié)構(gòu)參數(shù)。采用該方法，充分利用Kriging模型適合計(jì)算機(jī)仿真的優(yōu)點(diǎn)并利用遺傳算法適合求解隱式函數(shù)優(yōu)化問題的特點(diǎn)。以曲軸為例,驗(yàn)證了阻力墻的優(yōu)化設(shè)計(jì)應(yīng)用。3.2中國國家知識(shí)產(chǎn)權(quán)局?jǐn)?shù)據(jù)庫檢索式：（名稱=遺傳算法）and（摘要=多目標(biāo)）,有三條發(fā)明專利被命中。摘錄其中兩條如下，4） 申請(qǐng)?zhí)?200810057374.1申請(qǐng)日:2008.02.01名稱:基于遺傳算法的企業(yè)過程模型多目標(biāo)參數(shù)優(yōu)化方法5） 申名化方法。在企業(yè)過程模型參數(shù)優(yōu)化領(lǐng)域,大多數(shù)優(yōu)化方法均使用對(duì)策權(quán)衡原理對(duì)各子目標(biāo)組合成一個(gè)單目標(biāo)來處理優(yōu)化目標(biāo) ，在綜合評(píng)價(jià)過程方面存在一定缺陷的問題。本發(fā)明主要針對(duì)源產(chǎn)品產(chǎn)生速率、各類資源的總數(shù)、各個(gè)活動(dòng)的持續(xù)時(shí)間與所需資源的配置方案以及可供選擇的資源調(diào)度策略等多類優(yōu)化參數(shù)綜合評(píng)價(jià)運(yùn)行時(shí)間、運(yùn)行成本、最終產(chǎn)品產(chǎn)量、資源利用率、隊(duì)列長度等多項(xiàng)指標(biāo)。本發(fā)明采用多層次劃分問題空間的方法來處理各類優(yōu)化參數(shù)之間的組合約束關(guān)系 ，不僅增加了優(yōu)化參數(shù)選擇的靈活性，避免了優(yōu)化時(shí)對(duì)無效參數(shù)組合方案的分析計(jì)算,而且有助于保持群體的多樣性。請(qǐng)?zhí)枺?00910219163.8申請(qǐng)日：2009.11.26稱：基于遺傳算法的網(wǎng)絡(luò)文本分割方法公開（公告）號(hào):主分類號(hào)：分類號(hào)：申請(qǐng)（專利權(quán)）人：北京航空航天大學(xué)地址：100083北京市海淀區(qū)學(xué)院路37號(hào)發(fā)明（設(shè)計(jì)）人：王博；張莉國際申請(qǐng)：CN101231720公開（公告）日：2008.07.30G06Q10/00（2006.01）I分案原申請(qǐng)?zhí)枺篏06Q10/00（2006.01）I;G06N3/12（2006.01）I國際公布：進(jìn)入國家日期：摘要:一種企業(yè)工程與信息技術(shù)領(lǐng)域的基于遺傳算法的多目標(biāo)企業(yè)過程模型參數(shù)優(yōu)公開(公告)號(hào)：CN101710333A公開(公告)日：2010.05.19主分類號(hào)：G06F17/30(2006.01)l分案原申請(qǐng)?zhí)枺悍诸愄?hào)：G06F17/30(2006.01)l;G06F17/27(2006.01)l;G06N3/12(2006.01)l頒證日：優(yōu)先權(quán)：申請(qǐng)(專利權(quán))人：西北工業(yè)大學(xué)地址：710072陜西省西安市友誼西路127號(hào)發(fā)明(設(shè)計(jì))人：蔡皖東;趙煜國際申請(qǐng)：國際公布：進(jìn)入國家日期：專利代理機(jī)構(gòu)：西北工業(yè)大學(xué)專利中心61204代理人：黃毅新摘要：本發(fā)明公開了一種基于遺傳算法的網(wǎng)絡(luò)文本分割方法 ，用于對(duì)網(wǎng)絡(luò)短篇幅文本的分割，所述方法利用Gibbs采樣方法估計(jì)語料庫對(duì)應(yīng)的潛在狄利克雷分配(Latent?Dirichlet?allocation,LDA)模型，并利用該模型推斷目標(biāo)文本的潛在話題信息 ，利用潛在話題信息表示文本;再采用并行遺傳算法，將文本分割過程轉(zhuǎn)化為多目標(biāo)優(yōu)化過程,利用深層次語義信息計(jì)算分割單元內(nèi)凝聚性、 分割單元間發(fā)散性以及適應(yīng)度函數(shù)，進(jìn)行文本分割過程的遺傳迭代，依據(jù)多次迭代結(jié)果之間的相似度或迭代次數(shù)上限決定分割過程是否結(jié)束,得到文本分割全局最優(yōu)解，提高了網(wǎng)絡(luò)短篇幅文本分割準(zhǔn)確率。3.3美國工程索引EngineeringVillage(EI)數(shù)據(jù)庫檢索式:((((geneticalgorithm)WNTI)AND((multiobjective)WNTI))AND((traditionalmultiobjectiveoptimization)WNKY))共有44篇文獻(xiàn)被檢索命中，根據(jù)文獻(xiàn)研究所需，選擇其中一篇國內(nèi)，兩篇國外學(xué)者寫的文獻(xiàn)摘錄如下 ：6)[Title]Improvedgeneticalgorithmofmulti-objectivestructurefuzzyoptimization111[Authors]Lai,Yinan;Lai,Mingzhu;You,Bindi;Dimitrov,TodorovGeorgi[Authoraffiliation]1HarbinUniversityofScienceandTechnology,150080,China2MTF,TechnicalUniversityofSofia,Bulgaria[Source]Proceedings-5thInternationalConferenceonFuzzySystemsandKnowledgeDiscovery,FSKD2008,v1,p306-310,2008,Proceedings-5thInternationalConferenceonFuzzySystemsandKnowledgeDiscovery,FSKD2008[ISBN-13]9780769533056[Abstract]Akindofimprovedsymmetryandakindofimprovedasymmetrygeneticalgorithmwereintroducedtosolvethegeneralmulti-objectiveoptimizationproblemaccordingtothedifferentimportantdegreeofobjectivefunctionsandconstraintfunctions.Itcansearchtheoptimumsolutionfrommanyinitialpointsatthesametime.Theexampleofhelicalgearwasgiventodemonstratethesealgorithms.ByapplyingMatlabtoolboxweobtainedtheoptimalvaluesofvariousmulti-objectiveoptimizationfuzzymodels.Theresultsshowedthattheimprovedalgorithmhasfastconvergencespeedofthesolutionprocessandhighaccuracy,andcanobtaintheglobaloptimumsolutionofthewholeoptimizationproblemscomparingwiththetraditionalmulti-objectiveoptimization,anditalsomeetsthesecurity,economicalefficiencyandotherrequirements..7)[Title]Multi-objectiveoptimizationofanindustrialpenicillinVbioreactortrainusingnon-dominatedsortinggeneticalgorithm[Authors]Fook,ChoonLee;Rangaiah,GadePandu;Ray,AjayKumar[Authoraffiliation]DepartmentofChemicalandBiomolecularEngineering,NationalUniversityofSingapore,EngineeringDrive4,Singapore117576,Singapore[Source]BiotechnologyandBioengineering,v98,n3,p586-598,October15,2007[E-ISSN]1097-0290[Abstract]Bulkofthepenicillinproducedisusedasrawmaterialforsemi-syntheticpenicillin(suchasamoxicillinandampicillin)andsemi-syntheticcephalosporins(suchascephalexinandcefadroxil).Inthepresentpaper,anindustrialpenicillinVbioreactortrainisoptimizedformultipleobjectivessimultaneously.Anindustrialtrain,comprisingabankofidenticalbioreactors,isrunsemi-continuouslyinasynchronousfashion.Thefermentationtakingplaceinabioreactorismodeledusingamorphologicallystructuredmechanism.Formulti-objectiveoptimizationfortwoandthreeobjectives,theelitistnon-dominatedsortinggeneticalgorithm(NSGA-II)ischosen.Insteadofasingleoptimumasinthetraditionaloptimization,awiderangeofoptimaldesignandoperatingconditionsdepictingtrade-offsofkeyperformanceindicatorssuchasbatchcycletime,yield,profitandpenicillinconcentration,issuccessfullyobtained.Theeffectsofdesignandoperatingvariablesontheoptimalsolutionsarediscussedindetail.[Title]Multi-objectiveoptimizationofwire-electrodischargemachiningprocessbyNon-DominatedSortingGeneticAlgorithm[Authors]Kuriakose,Shajan;Shunmugam,M.S.[Authoraffiliation]DepartmentofMechanicalEngineering,IndianInstituteofTechnologyMadras,Chennai600036,India[Source]JournalofMaterialsProcessingTechnology,v170,n1-2,p133-141,Decem-ber14,2005[ISSN]09240136[Abstract]Wire-electrodischargemachining(Wire-EDMorWEDM)isoneoftheimportantnon-traditionalmachiningprocesses,whichisusedformachiningofdifficult-to-machinematerialsandintricateprofiles.Beingacomplexprocess,itisverydifficulttodetermineoptimalparametersforimprovingcuttingperformance.Cuttingvelocityandsurfacefinisharemostimportantoutputparameters,whichdecidethecuttingperformance.Thereisnosingleoptimalcombinationofcuttingparameters,astheirinfluencesonthecuttingvelocityandthesurfacefinisharequitetheopposite.Inthepresentwork,amultipleregressionmodelisusedtorepresentrelationshipbetweeninputandoutputvariablesandamulti-objectiveoptimizationmethodbasedonaNon-DominatedSortingGeneticAlgorithm(NSGA)isusedtooptimizeWire-EDMprocess.Anon-dominatedsolutionsethasbeenobtainedandreported.3.4ISIWebofKnowledge(包含webofscieneeandinspec)檢索式：標(biāo)題=(geneticalgorithm)AND標(biāo)題=(multiobjectiveoptimization)AND主題=(traditionalmultiobjective)有20篇文獻(xiàn)被命中，現(xiàn)摘錄其中重要兩篇摘錄如下 ：Multi-objectiveoptimizationofwire-electrodischargemachiningprocessbyNon-Domin-atedSortingGeneticAlgorithm作者:Shunmugam,M.S.;Kuriakose,S.來源出版物：JournalofMaterialsProcessingTechnology卷：170期：1-2頁：133-41出版年：14December2005摘要：Wire-electrodischargemachining(Wire-EDMorWEDM)isoneoftheimportantnon-traditionalmachiningprocesses,whichisusedformachiningofdifficult-to-machinematerialsandintricateprofiles.Beingacomplexprocess,itisverydifficulttodetermineoptimalparametersforimprovingcuttingperformance.Cuttingvelocityandsurfacefinisharemostimportantoutputparameters,whichdecidethecuttingperformance.Thereisnosingleoptimalcombinationofcuttingparameters,astheirinfluencesonthecuttingvelocityandthesurfacefinisharequitetheopposite.Inthepresentwork,amultipleregressionmodelisusedtorepresentrelationshipbetweeninputandoutputvariablesandamulti-objectiveoptimizationmethodbasedonaNon-DominatedSortingGeneticAlgorithm(NSGA)isusedtooptimizeWire-EDMprocess.Anon-dominatedsolutionsethasbeenobtainedandreported.ThermodynamicParetooptimizationofturbojetenginesusingmulti-objectivegeneticalgorithms作者:AtashkariK,Nariman-ZadehN,PilechiA,JamaliA,YaoX來源出版物:INTERNATIONALJOURNALOFTHERMALSCIENCES卷：44期：11摘要：頁：1061-1071出版年：NOV2005Multi-objectivegeneticalgorithms(GAs)areusedforParetoapproachoptimizationofthermodynamiccycleofidealturbojetengines.Onthisbehalf,anewdiversitypreservingalgorithmisproposedtoenhancetheperformanceofmulti-objectiveevolutionaryalgorithms(MOEAs)inoptimizationproblemswithmorethantwoobjectivefunctions.Theimportantconflictingthermodynamicobjectivesthathavebeenconsideredinthisworkare,namely,specificthrust(ST),thrust-specificfuelconsumption(TSFC),propulsiveefficiency(eta(rho)),andthermalefficiency(eta(t)).Inthispaper,differentpairsoftheseobjectivefunctionshavebeenselectedfortwo-objectiveoptimizationprocesses.Moreover,theseobjectiveshavealsobeenconsideredforafour-objectiveoptimizationproblemusingthenewdiversitypreservingalgorithmofthiswork.Thecomparisonresultsdemonstratethesuperiorityofthenewalgorithminpreservingthediversityofnon-dominatedindividualsandthequalityofParetofrontsinbothtwo-objectiveand4-objectiveoptimizationprocesses.Further,itisshownthatsomeinterestingandimportantrelationshipsamongoptimalobjectivefunctionsanddecisionvariablesinvolvedinthethermodynamiccycleofturbojetengines.canbediscoveredconsequently.Suchimportantrelationshipsasusefuloptimaldesignprincipleswouldnothavebeenobtainedwithouttheuseofamulti-objectiveoptimizationapproach.Itisalsodemonstratedthattheresultsoffour-objectiveoptimizationcanincludethoseoftwo-objectiveoptimizationand,therefore,providemorechoicesforoptimaldesignofthermodynamiccycleofidealturbojetengines.利用SCI的分析功能，可以了解目前國內(nèi)外有關(guān)機(jī)構(gòu)、學(xué)者在這方面的研究進(jìn)展。檢索式：Title=(geneticalgorithm)ANDTitle=(multiobjective).由于在檢索式中加入“traditionalmultiobjectiveoptimization”會(huì)使查全率嚴(yán)重下降，不利于對(duì)檢索結(jié)果的分析，因此將檢索式設(shè)為“Title=(geneticalgorithm)ANDTitle=(multiobjective)”。分析結(jié)果如圖3.4.1至圖3.4.3所示。亠厲看記錄記議數(shù)429字鏡:作者柱狀圏將分靳敷館保存至文件X111琢記駅□IEEE79W.4149%□GUPTASK92.0079%■□KAYAf/13i.86帕怖■□S716317%1nALHAJJ尺613986吒1UASME6t.站86憐1□fdlKIM01葩憑％1□GEFJ.M51怕舟％1□HIROYASU.T61.1666*€1□KWOMGS51%1記錄%.共字段作著柱狀團(tuán)將分忻歌舟孔存至文化X搏除記最429JW.圖341根據(jù)“作者”排列記錄

字Hl機(jī)構(gòu)各禰畫%*共將務(wù)析敢II俚存至Jt/t?ndy承rINDIANIL.STTECHNOLIS4195S*■□-IHAlU'JIB1吐4日1□UMVMARYJVJD&t.S648*1□CTYUNP^IHOMGKOT-JGT16317%1□IRANUNIVSCI&TECHNOL71.6317K1□UNIVTEHRAN71B317?1rAMRKABIRUNIVTECHNOL&135S6%1□UALANLTIIlTECHNOL6r.aeoB%1nNATLUN*SINGAPORE613886%1□□aSHISHAUNIV511655%1*爭段：杭掏is稱記殺%共1X429圖342根據(jù)“機(jī)構(gòu)名稱”排列記錄■+Aff記呆id^t魏J具42B_XFt□LEGFJ^EriDTESNGQMPUTERSCIENCE93240騎■匚￡EECONGRESSOtlEVOLUHOrWtYCOUPlTTATlOMia41B58?■I□iMTERiTJATJOflAL」OURJJALOFADVANCEDMAriUFAClURlHGTECHNOLOGYii25tt41時(shí)I□ENGINEERING期F?lCATIONSOFARTFGkMINT回L」GEJIG￡r1.0317%1nLECTURENOTESINARTFlCifllINTELLIGENCE71S317%1□IEEEINTERNATIONA-CONFEREfJCEONSYSTEJdEr31AH2G?3￡RNETICS.CO?IFE.R￡IJCEP=?OC￡LOIIGSGiaasE%1□AP^DSOFTCOLFiniN^1.165a%II□CC'JPUTE^SiCHEMICAL￡rjGiM￡5=?iH'3s11855%1IEEEr.JTERlJAnor^LJOWTCONFERENCEONfcJELlRMNETWORKS(IXNNJ5i1?55%1L=>P=ATSYSTEMSWIHTHAPPLlCATOriS沖0.9124珀1->Xrt越c垠字瞬.卓翹出■怖0?42?性弒圈圖343根據(jù)“來源出版物”排列記錄3.5歐洲專利局?jǐn)?shù)據(jù)檢索式:keyword(s)intitle=(geneticalgorithm)and(multiobjective).共有一條專利被命中，摘錄如下：ROUTINGTREESEARCHINGMETHODUSINGMULTI-OBJECTIVEGENETICALGORITHMANDCORRESPONDINGSENSORNETWORKPublicationnumber:KR20090103188(A)Publicationdate:2009-10-01Inventor(s):SHINJITAE[KR];NAVRATISAXENA[KR];ABHISHEKROY[KR]+(SHIN,JITAE,;NAVRATISAXENA,;ABHISHEKROY)Applicant(s):UNIVSUNGKYUNKWANFOUND[KR]+(SUNGKYUNKWANUNIVERSITYFOUNDATIONFORCORPORATECOLLABORATION)Classification:-international:H04L12/28;H04L12/28 -European:Applicationnumber:KR2008002861420080327Prioritynumber(s):KR2008002861420080327AbstractnotavailableforKR20090103188(A)檢索體會(huì)在文獻(xiàn)信息檢索過程中，要想得到令人滿意的檢索效果 ，關(guān)鍵是能夠構(gòu)造出全面描述、正確揭示信息需求的檢索式。檢索詞是檢索式的基本組成元素，如果選詞不當(dāng)就很容易造成漏檢和誤檢，因此,能否選準(zhǔn)、選全檢索詞直接影響到檢索效果的優(yōu)劣。選擇檢索詞應(yīng)先確定核心詞，在確定其他的檢索詞，并充分考慮同義詞、近義詞，并采用截詞符、位置算符和邏輯組配制定多個(gè)檢索式進(jìn)行試檢索 ，根據(jù)檢索結(jié)果進(jìn)行調(diào)整。檢索式的復(fù)雜與否 ，取決于課題需要。描述簡煉的課題，檢索式可能會(huì)很復(fù)雜；名稱冗長的課題，檢索式反而可能會(huì)很簡單。檢索詞是表達(dá)信息需求的基本兀素，其選擇恰當(dāng)與否直接影響到檢索效果。對(duì)于給定的檢索課題，應(yīng)首先深入分析課題內(nèi)容，在提取核心詞的基礎(chǔ)上進(jìn)行擴(kuò)展 ，然后構(gòu)造較為完善的檢索策略和檢索式，才能獲得令人滿意的檢索效果。檢索時(shí)應(yīng)從綜述論文入手。先抽取核心的關(guān)鍵詞，制定檢索式進(jìn)入數(shù)據(jù)庫中檢索，在所得的檢索結(jié)果中瀏覽綜述性文章，或檢索時(shí)直接指定綜述類論文，可以幫助我們快速的了解課題背景。而且首先應(yīng)從中文文獻(xiàn)入手，這樣更容易了解課題背景。 本課題中我們從維普數(shù)據(jù)庫中檢索到了《基于遺傳算法的多目標(biāo)優(yōu)化方法》等多篇文獻(xiàn)，這幫助了我們很快了解課題,并且,從圖書館參考了《廣義機(jī)械優(yōu)化設(shè)計(jì)》第五章進(jìn)化設(shè)計(jì)與優(yōu)化和《機(jī)械優(yōu)化設(shè)計(jì)》第六章第十一節(jié)遺傳算法簡述以及《多目標(biāo)優(yōu)化算法及在衛(wèi)星星座設(shè)計(jì)中的應(yīng)用》。3） 利用WebofScience的數(shù)據(jù)分析功能，對(duì)檢索到的結(jié)果進(jìn)行分析,可以發(fā)現(xiàn)在該領(lǐng)域中研究較多的機(jī)構(gòu)和個(gè)人以及該領(lǐng)域的論文主要在哪個(gè)或哪些期刊上發(fā)表。例如 ，本課題在WebofScience通過檢索式“Title=（geneticalgorithm）ANDTitle=（multiobjective）”檢索到了429篇文獻(xiàn)，對(duì)429篇檢索到的文獻(xiàn)分析結(jié)果如表4.1所示。4） 檢索詞要做相應(yīng)調(diào)整。由于本課題研究成果較多，發(fā)表的相關(guān)論文和申請(qǐng)的相關(guān)專利較多。 所以在檢索過程中，首先以“標(biāo)題=（遺傳算法）and（多目標(biāo)）”為檢索式，如果檢索結(jié)果數(shù)目過于龐大，則將檢索式改為“（標(biāo)題=（遺傳算法）and（多目標(biāo)）and（標(biāo)題、關(guān)鍵詞、摘要=（傳統(tǒng)多目標(biāo)優(yōu)化））”。這樣可以在保證查全率的前提下保證查準(zhǔn)率，為課題研究節(jié)省了大量時(shí)間。5） 有必要閱讀全文時(shí)必須閱讀全文。雖然大多數(shù)文摘能夠揭示文獻(xiàn)的內(nèi)容特征，但也有相當(dāng)一部分不能從文摘中獲取所需的信息,所以在需要閱讀全文時(shí)必須閱讀全文。 這樣才能更準(zhǔn)確的確定是否為密切相關(guān)文獻(xiàn)。國內(nèi)外研究概況1975年美國密歇根大學(xué)教授J.Holland首次提出了遺傳算法。這種算法起源于20世紀(jì)60年代對(duì)自然和人工自適應(yīng)系統(tǒng)的研究。第一個(gè)把遺傳算法用于函數(shù)優(yōu)化的是記錄排列字段 排列第一位 排列第二位記錄排列字段 排列第一位 排列第二位作者IEEEGUPTA,SK機(jī)構(gòu)名稱INDIANINSTTECHNOLFIRATUNIV來源出版物L(fēng)ECTURENOTESINCOMPUTERSCIENCEIEEECONGRESSONEVOLUTIONARYCOMPUTATION作者IEEEGUPTA,SK機(jī)構(gòu)名稱INDIANINSTTECHNOLFIRATUNIV來源出版物L(fēng)ECTURENOTESINCOMPUTERSCIENCEIEEECONGRESSONEVOLUTIONARYCOMPUTATIONHollstien,1971年他在論文《計(jì)算機(jī)控制系統(tǒng)中的人工遺傳自適應(yīng)方法》中主要討論了了對(duì)于二變量函數(shù)的優(yōu)化問題。 其中,對(duì)于優(yōu)勢(shì)基因控制、交叉和變異以及各種編碼技術(shù)進(jìn)行了深入的研究。遺傳算法興盛于20世紀(jì)80年代。遺傳算法在單目標(biāo)優(yōu)化問題中已得到了成熟的發(fā)展和應(yīng)用。遺傳算法屬于一門新興的學(xué)科一一進(jìn)化計(jì)算。進(jìn)化計(jì)算主要研究如何仿照生物進(jìn)化自然選擇過程中所表現(xiàn)出來的優(yōu)化規(guī)律和方法 ，進(jìn)行優(yōu)化計(jì)算、預(yù)測(cè)和數(shù)字尋優(yōu)的。多目標(biāo)最優(yōu)化是最優(yōu)化的一個(gè)重要分支。它主要研究在某種意義下多個(gè)數(shù)值目標(biāo)的同時(shí)最優(yōu)化問題 ，吸引了不少學(xué)者的關(guān)注。在現(xiàn)實(shí)生活中，多目標(biāo)問題幾乎在各行各業(yè)中都存在 ，如：柔性作業(yè)車間調(diào)度決策，輸電塔阻尼器布置，機(jī)組短期負(fù)荷環(huán)境/經(jīng)濟(jì)調(diào)度，由于多目標(biāo)尋優(yōu)問題的復(fù)雜性，往往用傳統(tǒng)優(yōu)化理論和方法難以解決。越來越多的研究學(xué)者將具有全局性概率優(yōu)化搜索能力的遺傳算法運(yùn)用于這一領(lǐng)域中 ，先后有學(xué)者提出了向量值評(píng)估遺傳算法（VEGA）,多目標(biāo)遺傳算法（MOGA）,非支配排序遺傳算法（NSGA）,帶精英策略的非支配排序遺傳算法（NSGA—II）,小生境Pareto遺傳算法（NPGA）.同傳統(tǒng)數(shù)學(xué)規(guī)劃相比，遺傳算法具有以下特點(diǎn)：1）遺傳算法是多點(diǎn)同時(shí)搜索，通過個(gè)體間的相互協(xié)調(diào)，具有可能避開局部解的功能；2） 遺傳算法直接利用從目標(biāo)函