非线性约束求解器算法
增强拉格朗日遗传算法
默认情况下,遗传算法使用增强的拉格朗日遗传算法(ALGA)来解决无需整数约束的非线性约束问题。藻类算法解决的优化问题是
这样
在哪里C((X)represents the nonlinear inequality constraints,CEQ((X)代表平等约束,m一世sthe number of nonlinear inequality constraints, andmt是非线性约束的总数。
增强的拉格朗日遗传算法(ALGA)试图通过非线性约束,线性约束和边界解决非线性优化问题。在这种方法中,界限和线性约束与非线性约束分开处理。通过使用Lagrangian和惩罚参数组合健身函数和非线性约束函数来制定子问题。使用遗传算法近似将这种优化问题的序列最小化,以使线性约束和边界得到满足。
子问题公式定义为
在哪里
组件λ一世矢量λ是非负的,被称为Lagrange乘数估计值
The elementss一世矢量s是非负变化
ρ是积极的惩罚参数。
该算法是通过使用惩罚参数的初始值开始的(初始苯甲酸
)。
遗传算法最小化了一系列子问题,每个算法都是原始问题的近似值。每个子问题的固定值为λ,,,,s,,,,andρ。当将子问题最小化至必需的准确性并满足可行性条件时,Lagrangian估计值将更新。否则,罚款参数通过惩罚因素增加(PenaltyFactor
)。这导致了新的子问题公式和最小化问题。重复这些步骤,直到达到停止标准为止。
每个子问题解决方案代表一代。因此,使用非线性约束时,每一代功能评估的数量比其他方式要高得多。
通过设置增强的Lagrangian算法选择增强的Lagrangian算法非线性构成
option to'auglag'
使用最佳选择
。
有关该算法的完整说明,请参见以下参考:
References
[1] Conn,A。R.,N。I. M. Gould和Ph。L.Toint。“一种全球收敛的增强拉格朗日算法,可通过一般约束和简单的界限进行优化,”暹罗杂志数值分析,,,,Volume 28, Number 2, pages 545–572, 1991.
[2] Conn, A. R., N. I. M. Gould, and Ph. L. Toint. “A Globally Convergent Augmented Lagrangian Barrier Algorithm for Optimization with General Inequality Constraints and Simple Bounds,”计算数学,第66卷,编号217,第261-288页,1997年。
Penalty Algorithm
惩罚算法与整数GA算法。In its evaluation of the fitness of an individual,GA
计算罚款值如下:
如果个人是可行的,则惩罚函数是健身函数。
如果个人是不可行的,则惩罚函数是可行人群中可行成员之间的最大适应性函数,再加上(不可行的)个体的约束侵犯。
有关罚款功能的详细信息,请参见DEB[1]。
通过设置罚款算法非线性构成
option to'惩罚'
使用最佳选择
。When you make this choice,GA
解决约束的优化问题如下。
GA
默认为@gacreationnonlinearearfible
创建功能。此功能试图就所有约束来创建可行的人群。GA
创建足够的个人以匹配人口化
选项。有关详细信息,请参阅Penalty Algorithm。GA
覆盖您选择的选择功能,并使用@SelectionTournament
每场比赛有两个人。GA
proceeds according to遗传算法如何工作,使用罚款功能作为健身措施。
References
[1] Deb,Kalyanmoy。一个n efficient constraint handling method for genetic algorithms.Computer Methods in Applied Mechanics and Engineering, 186(2–4), pp. 311–338, 2000.