【摘要】：高維目標(biāo)優(yōu)化問題(Many-objective Optimization Problem,MaOP)一直以來是多目標(biāo)優(yōu)化領(lǐng)域(Multi-objective Optimization Problems,MOPs)極具挑戰(zhàn)性的難題。其中,基于決策者偏好的優(yōu)化算法求解效率更高,所獲解集質(zhì)量更好地滿足決策者需求,受到眾多國內(nèi)外學(xué)者的關(guān)注。與傳統(tǒng)的多目標(biāo)優(yōu)化問題相比,高維目標(biāo)優(yōu)化問題由于其目標(biāo)維數(shù)的增加,導(dǎo)致算法求解此類問題的性能顯著下降�，F(xiàn)有的基于決策者偏好的高維目標(biāo)優(yōu)化算法的研究方向主要集中在單個(gè)偏好信息的植入,較少地考慮多個(gè)偏好信息。同時(shí),現(xiàn)有的基于決策者偏好的算法大都需要人為給出偏好信息,在不知道優(yōu)化問題前沿特性的情況下,這無疑會(huì)給決策者帶來巨大的認(rèn)知挑戰(zhàn)。針對(duì)上述問題,本文從多偏好思想、協(xié)同進(jìn)化機(jī)制和隱式偏好的植入方式三個(gè)方面對(duì)算法進(jìn)行研究,利用PICEA計(jì)算框架有效識(shí)別種群個(gè)體間的Pareto支配關(guān)系,減少解集中的非支配解比例,利用種群和多偏好協(xié)同進(jìn)化,使個(gè)體逼近真實(shí)Pareto前沿。第一方面,對(duì)處于同一適應(yīng)值水平的候選解而言,基于目標(biāo)向量的多偏好協(xié)同進(jìn)化算法(PICEA-g)無法區(qū)分其相互之間的支配關(guān)系,導(dǎo)致所獲解集分布不均勻。基于協(xié)同進(jìn)化機(jī)制,提出有別于傳統(tǒng)的適應(yīng)值賦值法的個(gè)體選擇機(jī)制,進(jìn)而提出一種基于多偏好混合支配的協(xié)同進(jìn)化算法(E-PICEA-g)。仿真實(shí)驗(yàn)結(jié)果表明,所提算法在大多數(shù)測試函數(shù)上的表現(xiàn)更優(yōu)。第二方面,對(duì)多偏好引導(dǎo)種群進(jìn)化方向的原理進(jìn)行研究,分析不同的偏好區(qū)域控制因子對(duì)算法收斂性和多樣性的影響;重點(diǎn)研究決策者隱式偏好信息的植入方式,提出一種具有較強(qiáng)可移植性的偏好區(qū)域選擇策略,并將該策略與PICEA計(jì)算框架結(jié)合。該方法利用ASF收益標(biāo)量函數(shù)確定隱式偏好信息,以構(gòu)建偏好區(qū)域策略為重點(diǎn),將有限的計(jì)算資源用于偏好區(qū)域搜索,進(jìn)一步提高偏好解集的整體質(zhì)量。
【圖文】：

圖 2.1 不同目標(biāo)個(gè)數(shù)下的非支配解比例示意圖群規(guī)模的擴(kuò)大化算法的搜索結(jié)果希望獲得的 Pareto 非支配解集。然而，隨著目標(biāo)個(gè)數(shù)的增加，目標(biāo)空間急速擴(kuò)張種搜索空間的龐大規(guī)模，此外，由于高維目標(biāo)空間中種群個(gè)不可避免的現(xiàn)象：即使偶爾產(chǎn)生了一些具有較高精空間中這些個(gè)體解有很大概率會(huì)被位于極端位置的較法性能衰減嚴(yán)重標(biāo)進(jìn)化算法性能的兩個(gè)重要指標(biāo)是收斂性和多樣性。Pareto前沿之間的逼近程度。多樣性表示在目標(biāo)空間的分布情況。然而，隨著目標(biāo)維數(shù)的增加，算法收斂得到保證。過于強(qiáng)調(diào)收斂性會(huì)導(dǎo)致算法陷入局部最優(yōu)維護(hù)種群多樣性上，則算法的收斂性無法得到保證。困難，國內(nèi)外許多學(xué)者都致力于尋找解決高維目標(biāo)優(yōu)關(guān)的研究方法大致分為以下幾類：（1）修改 Pareto 支

(a)WFG2 (b)WFG6圖 3.2 混合支配策略引入前后的 GD 指標(biāo)和 SP 指標(biāo)曲線圖圖 3.2 表示混合支配策略引入前后算法在 WFG 測試函數(shù)上 GD 指標(biāo)和 SP指標(biāo)隨進(jìn)化次數(shù)變化的曲線圖。從圖 3.2(a)中發(fā)現(xiàn)，，對(duì) WFG2-2 測試函數(shù)而言，引入混合支配策略算法的 GD 指標(biāo)在進(jìn)化初期快速下降，在中后期逐漸趨于穩(wěn)定，并且 GD 指標(biāo)較原始算法降幅十分明顯。從圖 3.2(b)中發(fā)現(xiàn)，在 WFG6-2 測試函數(shù)上，在 100~300 進(jìn)化周期中，引入混合支配策略后算法的 GD 指標(biāo)未出現(xiàn)明顯的突然上升趨勢。由此說明混合支配策略是有效的。3.4.3 適應(yīng)值賦值法改進(jìn)后的有效性實(shí)驗(yàn)本節(jié)利用 T-test 檢驗(yàn)適應(yīng)值賦值法修正前后算法性能提升的顯著性，選取了8 個(gè)二維 WFG 測試函數(shù)，分別計(jì)算適應(yīng)值賦值法修正前后算法的 GD 指標(biāo)和 SP指標(biāo)。在顯著水平為 5%的情況下，“+”代表修正后的適應(yīng)值賦值法優(yōu)于原始適應(yīng)值賦值法，“-”代表修正后的適應(yīng)值賦值法劣于原始適應(yīng)值賦值法，“=”
【學(xué)位授予單位】：浙江工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：C934

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張宏哲;;FFT算法的一種改進(jìn)[J];長安大學(xué)學(xué)報(bào)(自然科學(xué)版);1988年01期

2 苑寶生,俞鐵城;連呼漢語識(shí)別研究[J];聲學(xué)學(xué)報(bào);1989年06期

3 孫楊模;;操作系統(tǒng)常見的幾種算法舉例分析[J];湖北三峽職業(yè)技術(shù)學(xué)院學(xué)報(bào);2010年02期

4 郜振華;吳昊;;一種改進(jìn)的混合蝙蝠算法[J];南華大學(xué)學(xué)報(bào)(自然科學(xué)版);2019年01期

5 吳天行;郭鍵;;基于“反學(xué)習(xí)”理論的人工蜂群算法在訂單分批問題中的應(yīng)用[J];物流技術(shù);2017年12期

6 全燕;陳龍;;算法傳播的風(fēng)險(xiǎn)批判:公共性背離與主體扭曲[J];華中師范大學(xué)學(xué)報(bào)(人文社會(huì)科學(xué)版);2019年01期

7 肖海軍;成金華;何凡;;雙核因素蝙蝠算法[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2018年01期

8 張進(jìn);;一種快速雙對(duì)分邏輯運(yùn)算算法[J];情報(bào)學(xué)報(bào);1992年03期

9 陳廣江;用MUSIC算法處理非均勻間隔采樣數(shù)據(jù)[J];系統(tǒng)工程與電子技術(shù);1998年09期

10 于浩;王芳;;ROHC算法在LWIP上的仿真與實(shí)現(xiàn)[J];計(jì)算機(jī)仿真;2017年12期

相關(guān)會(huì)議論文 前8條

1 李孟霖;余祥;巫岱s

本文編號(hào)：2664176