動態(tài)多目標優(yōu)化問題(DMOPs)有著沖突的優(yōu)化目標,而且DMOPs的問題環(huán)境會隨著時間動態(tài)變化,從而導致問題的Pareto最優(yōu)前沿(PF)和/或Pareto最優(yōu)集合(PS)發(fā)生變化。算法的研究很多時候都取決于所研究的問題,對于DMOPs而言,它要求算法能在環(huán)境變化后迅速搜索到變化后的PS或最PF,同時保持種群的收斂性和分布性的平衡。為了解決DMOPs,本文提出了一種基于決策變量分類的動態(tài)多目標算法,該算法利用決策變量分類的信息去指導進化,并提出了一個新的多種群協(xié)同進化方法。該算法首先對問題進行隨機采樣分析,將決策空間分為收斂性控制維度和分布性控制維度。然后使用多個子種群進行優(yōu)化,并將子種群分為兩大類:收斂子種群和分布子種群,收斂子種群的數(shù)量對應于收斂性維度的數(shù)量,每個收斂子種群優(yōu)化一個收斂性維度;使用一個分布子種群去對應所有分布性維度,但該子種群優(yōu)化的是所有的決策維度。收斂子種群之間使用傳統(tǒng)的協(xié)同進化的方式進行,而且子種群內(nèi)部個體的分布性維度的值是相同的。從而避免了分布性對收斂性的影響,使得收斂子種群能集中資源去優(yōu)化個體的收斂性,加快算法的收斂速度。為了規(guī)避多種群協(xié)同進化在種群分布性上...

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 多目標優(yōu)化概述
    1.2 動態(tài)多目標優(yōu)化問題
    1.3 國內(nèi)外動態(tài)多目標優(yōu)化的研究現(xiàn)狀
    1.4 論文的研究內(nèi)容
    1.5 論文的章節(jié)安排
第2章 相關工作
    2.1 基于競爭合作的協(xié)同進化DMOA
        2.1.1 算法總體框架
        2.1.2 多種群協(xié)同合作
        2.1.3 多種群競爭
        2.1.4 動態(tài)響應策略
    2.2 決策變量分析
第3章 基于決策變量分類的多種群協(xié)同進化DMOEA
    3.1 問題采樣分析決策變量
    3.2 子代個體生成
        3.2.1 子種群CS的繁殖進化
        3.2.2 收斂子種群檢測
        3.2.3 子種群DS的繁殖進化
    3.3 動態(tài)響應策略
    3.4 算法總體框架
第4章 實驗設計及分析
    4.1 實驗設置
        4.1.1 測試問題
        4.1.2 性能評價指標
        4.1.3 參數(shù)設置
    4.2 實驗結(jié)果及分析
        4.2.1 算法在FDAs和 d MOPs上的實驗結(jié)果
        4.2.2 算法在JY系列問題上的實驗結(jié)果
        4.2.3 比較不同算法的進化過程
    4.3 討論
        4.3.1 環(huán)境變化強度對算法的影響
        4.3.2 參數(shù)對算法的影響
第5章 總結(jié)與展望
參考文獻
致謝
附錄A



本文編號：3738144