【模型工具】利用神经网络加速遗传算法计算速度

原

文

信

息

原文题目：Performance of LEMMO with artificial neural networks for water systems optimisation

作者：Sayers W, Savic D, Kapelan Z

作者单位：School of Business and Technology, University of Gloucestershire, Cheltenham, UK

期刊：Urban Water Journal

时间：2019.4

导读

本文以NSGA-2算法为基础模板，利用神经网络对迭代过程中生成的种群进行初筛，加快了种群的优化速度。通过给水系统的优化案例，该算法在优化效果上优于原算法，并提高了算法收敛速度。

NSGA-2为一类经典的遗传算法，该算法以自然进化为基本原理，将目标问题的可行解概化为种群，通过目标函数的计算对种群的杂交和变异结果进行非支配排序，择优形成下一代种群，直至所有解收敛至pareto前沿面。由于在水系统优化领域，优化目标函数的计算往往要基于一些复杂机理模型，模型计算时间较长，而遗传算法又要求大量的迭代计算，从而导致了计算时间成本过高的问题。

本文的创新点在于，将神经网络引入到NSGA-2算法中。利用遗传算法过程中对种群的非支配排序结果，训练一个分类神经网络，预测生成的可行解的优劣程度。从而利用该神经网络对通过杂交和变异生成的新可行解进行初筛，初步判断其优劣程度，择优加入下一代种群。该方法能够大大优化每一代新生成的种群优度，从而加速算法的收敛。并且算法运行过程中新生成的数据，也可同步对神经网络进行训练优化，进一步增加初筛的精确度。

作者利用一个给水系统优化布局的案例对该算法进行了测试，优化目标为成本和弹性。收敛速度和收敛结果覆盖度如图1,2所示。新开发的算法收敛速度更快，且收敛效果更好，生成解的多样性和覆盖度也更高。