下载掌阅APP，畅读海量书库
立即打开
基于惩罚值的约束处理技术被广泛应用于约束优化中，其主要思想是将解的约束违反程度构造为惩罚项加入优化目标函数中，从而将约束优化问题转为无约束优化问题。常用的惩罚函数包括静态惩罚函数、动态惩罚函数、死惩罚函数和自适应惩罚函数。
1）静态惩罚函数 ：静态惩罚函数的惩罚系数与进化代数、进化状态无关，其一般定义如下。
其中
在上式中， G i （ x ）代表解对于第 i 个约束（包括等式和不等式约束）的违反程度， r i 表示算法对于第 i 个约束的惩罚权重， α 表示惩罚系数。该惩罚函数内的参数{ α ， r 1 ， r 2 ，…， r m + n }都是预先设置的，在优化过程中保持不变。
2）动态惩罚函数 ：动态惩罚函数的惩罚系数随着进化代数的变化而变化，Joines等人提出了一种动态惩罚函数。
其中， C 、 α 、 β 均为动态惩罚函数的预设参数。一般地，参数 α 大于0，以保证惩罚系数随着时间的增加而增大。这样的设置有利于优化算法在前期在整个定义域空间有更强的探索性，而在后期更加重视优化可行域内的解。
3）死惩罚函数 ：死惩罚函数将不可行解的惩罚项设置为无穷大，即
死惩罚函数具有较大的局限性，当进化算法的种群中不包含可行解时，所有个体得到的适应值均为无穷大，此时种群难以找到优化搜索方向。
4）自适应惩罚函数
：自适应惩罚函数在惩罚项中考虑了优化算法的演化状态，适应性地调整惩罚系数。文献[96]在优化过程中周期性地比较种群中适应值最低的个体与约束违反度最低的个体。如果它们是同一个个体，则说明惩罚系数的设置是合适的；如果它们不是同一个个体，则调整惩罚系数，使得这两个个体的适应值相等。具体地，新的惩罚系数为
λ
（
t
+1）=
，其中
x
a
和
x
b
分别代表种群中适应值最低的个体与约束违反度最低的个体，
v
（
x
a
）和
v
（
x
b
）的定义如式（2-16）所示。这样的做法可以使得种群中约束违反度最低的个体有着最低的适应值，进而促使种群往可行域的方向演化。此外，如果在某个优化阶段种群不包含不可行解，该算法则会降低惩罚系数。