現(xiàn)如今,工業(yè)界以及科學研究中越來越多的多目標優(yōu)化問題已經(jīng)出現(xiàn)。粒子群優(yōu)化算法（PSO）由于其簡單易實現(xiàn)、較低的計算復雜度以及較高的運行效率等優(yōu)點,已經(jīng)被大量的研究者運用于解決各類多目標優(yōu)化問題。在解決多目標優(yōu)化問題時,為了獲得一組更準確以及多樣性更好的解集,許多多目標粒子群優(yōu)化算法（MOPSO）以及它們的變體已經(jīng)被相繼提出。然而,一旦處理那些帕累托前沿面較為復雜的多目標優(yōu)化問題時,現(xiàn)在一些已有的多目標粒子群優(yōu)化算法因為全局尋優(yōu)能力較弱的緣故,在復雜的問題上大多都容易陷入局部最優(yōu),導致算法性能較差。萊維飛行策略是一種符合萊維分布的隨機飛行,它能提高粒子的全局尋優(yōu)能力并使粒子能在陷入局部最優(yōu)時以較大的概率跳出局部最優(yōu)。因此,本文將萊維飛行策略引入多目標PSO,以解決多目標基準測試函數(shù)上的優(yōu)化問題和基因選擇過程中的優(yōu)化問題,針對這兩類不同的問題,提出了兩種改進的MOPSO算法。本文的主要工作如下:（1）為了解決傳統(tǒng)多目標優(yōu)化算法在較為復雜的多目標測試函數(shù)上容易陷入局部最優(yōu),且得到的最優(yōu)解多樣性較差的問題,提出一種基于萊維飛行和雙存檔機制的多目標粒子群優(yōu)化算法（MOPSO-LFDA）。一方面,... 

【文章來源】：江蘇大學江蘇省

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

極限學習機的網(wǎng)絡模型結(jié)構(gòu)圖

【參考文獻】：
期刊論文
[1]基于多目標骨架粒子群優(yōu)化的特征選擇算法[J]. 張翠軍,陳貝貝,周沖,尹心歌.  計算機應用. 2018(11)
[2]基于信噪比與鄰域粗糙集的特征基因選擇方法[J]. 徐久成,李濤,孫林,李玉惠.  數(shù)據(jù)采集與處理. 2015(05)
[3]基于自適應遺傳算法的特征基因選擇[J]. 方文道,章堅民,劉登濤,楊陽.  科技通報. 2011(02)
[4]基于多目標EDA的特征基因選擇[J]. 葉奇明,羅飛,劉娟.  計算機應用研究. 2009(08)
[5]一種基于SVM和相關性的基因選擇方法[J]. 姬翔,王安文.  計算機應用與軟件. 2007(06)
[6]基于支持向量機的腫瘤分類特征基因選取[J]. 李穎新,阮曉鋼.  計算機研究與發(fā)展. 2005(10)
[7]基于相關性分析的基因選擇算法[J]. 王明怡,吳平,王德林.  浙江大學學報(工學版). 2004(10)

碩士論文
[1]基于混沌優(yōu)化的多種群粒子群優(yōu)化算法的研究及其應用[D]. 李佳玲.江蘇大學 2019
[2]基于量子行為的多目標粒子群優(yōu)化算法的研究及其應用[D]. 孫郁聞天.江蘇大學 2019



本文編號：3273552