本文選題：高維目標(biāo)優(yōu)化 + 偏好向量��； 參考：《計(jì)算機(jī)學(xué)報(bào)》2018年01期

【摘要】：基于決策者偏好的高維目標(biāo)優(yōu)化算法能有效集中算法資源和減小搜索空間,是處理高維目標(biāo)優(yōu)化問題的有效途徑之一.現(xiàn)有研究發(fā)現(xiàn),參考點(diǎn)位置選擇對(duì)算法性能影響顯著,位于極端位置的參考點(diǎn)容易引發(fā)算法不收斂;同時(shí),算法多樣性在種群逼近Pareto前沿的過程中反復(fù)遭到破壞.為解決以上問題,該文提出一種基于角度懲罰距離精英選擇策略的偏好高維目標(biāo)優(yōu)化算法.該算法將決策者偏好信息融入到基于分解的多目標(biāo)優(yōu)化算法中,提出偏好向量生成策略,消除算法收斂性對(duì)參考點(diǎn)位置的敏感性;同時(shí)引入角度懲罰距離(APD)機(jī)制,分析該機(jī)制在算法搜索后期存在種群退化、收斂放緩等缺陷的基礎(chǔ)上,提出APD精英選擇策略,通過有效分配算法資源,平衡算法收斂性和多樣性.算法性能對(duì)比實(shí)驗(yàn)中,將該文提出的算法與g-占優(yōu)、r-占優(yōu)、雙極偏好占優(yōu)以及MOEA/D-PRE在3至10維DTLZ1-4測試問題上進(jìn)行性能測試.實(shí)驗(yàn)結(jié)果表明,該文提出的偏好算法所求解集能夠有效反映決策者的偏好信息,并且在高維目標(biāo)優(yōu)化問題上,所提算法在偏好區(qū)域求得解集的收斂性和均勻性更優(yōu).
[Abstract]:The high dimensional objective optimization algorithm based on the decision maker's preference can effectively concentrate the resource of the algorithm and reduce the search space. It is one of the effective ways to deal with the optimization of the high dimension target. The existing research finds that the location of the reference points has a significant influence on the performance of the algorithm, and the reference points in the extreme position can easily lead to the algorithm's non convergence; at the same time, the algorithm is diverse. In order to solve the above problem, this paper proposes a preference high dimension target optimization algorithm based on the angle penalty distance elite selection strategy. This algorithm integrates the decision maker's preference information into the decomposition based multi-objective optimization algorithm, and proposes a preference vector generation strategy to eliminate the calculation. The sensitivity of the law of convergence to the location of the reference point; at the same time introducing the angle penalty distance (APD) mechanism, the mechanism is analyzed on the basis of the defects such as the population degradation and the slowing down of convergence in the later period of the algorithm search, and the APD elite selection strategy is proposed to balance the convergence and diversity of the algorithm by effectively distributing the algorithm resources. The algorithm proposed in this paper is dominated by g-, r- dominance, bipolar preference and MOEA/D-PRE performance testing on 3 to 10 dimensional DTLZ1-4 test problems. Experimental results show that the set of preference algorithms proposed in this paper can effectively reflect the preference information of the decision-makers, and the proposed algorithm is in the preference region for the high dimensional target optimization problem. The convergence and uniformity of the obtained solution set are better.
【作者單位】： 浙江工業(yè)大學(xué)信息智能與決策優(yōu)化研究所;浙江工業(yè)大學(xué)教育科學(xué)與技術(shù)學(xué)院;浙江工業(yè)大學(xué)現(xiàn)代教育技術(shù)研究所;
【基金】：國家自然科學(xué)基金(61472366,61379077,61503340) 浙江省自然科學(xué)基金(LY17F020022,LQ16F030008)資助
【分類號(hào)】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 喻壽益;鄺溯瓊;;保留精英遺傳算法收斂性和收斂速度的鞅方法分析[J];控制理論與應(yīng)用;2010年07期

2 馬竹根;;智能水滴算法研究[J];計(jì)算機(jī)與數(shù)字工程;2014年06期

3 楊帆;徐秉錚;;關(guān)于退火算法的收斂性[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);1991年04期

4 周海燕;;基于基因表達(dá)式編程的混合蟻群算法[J];無線互聯(lián)科技;2014年01期

5 徐紅梅;陳義保;劉加光;王燕濤;;蟻群算法中參數(shù)設(shè)置的研究[J];山東理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年01期

6 張鋒;趙杰煜;朱紹軍;;可區(qū)分懲罰控制競爭學(xué)習(xí)算法[J];模式識(shí)別與人工智能;2014年05期

7 張海玉;劉軍;劉志都;;基于混沌優(yōu)化策略的SFLA算法[J];計(jì)算機(jī)應(yīng)用研究;2013年06期

8 蔣培,黃焱,楊敬安;關(guān)于遺傳算法收斂性的分析[J];湖南師范大學(xué)自然科學(xué)學(xué)報(bào);1999年01期

9 朱勇;周國標(biāo);;一類改進(jìn)的蟻群算法及其收斂性分析[J];蘭州理工大學(xué)學(xué)報(bào);2006年02期

10 沈蔚;趙峙江;李曉剛;;不同影響函數(shù)下的文化算法收斂性研究[J];信息與控制;2008年05期

相關(guān)會(huì)議論文 前1條

1 張丹;華紅艷;邵麗紅;;擾動(dòng)蟻群算法中參數(shù)的優(yōu)化選擇[A];中國自動(dòng)化學(xué)會(huì)中南六�。▍^(qū)）2010年第28屆年會(huì)·論文集[C];2010年

相關(guān)碩士學(xué)位論文 前10條

1 孟曉琳;蟻群算法的研究及其應(yīng)用[D];西南交通大學(xué);2015年

2 胡瀛月;人工蜂群算法的改進(jìn)及相關(guān)應(yīng)用研究[D];中原工學(xué)院;2016年

3 高明芳;基于粒子群蟻群混合算法的物流車輛路徑問題研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2016年

4 周文明;基于智能算法的移動(dòng)機(jī)器人路徑規(guī)劃研究[D];南京理工大學(xué);2016年

5 繆志勇;車聯(lián)網(wǎng)平臺(tái)下基于優(yōu)化蟻群算法的公交調(diào)度系統(tǒng)優(yōu)化[D];江西農(nóng)業(yè)大學(xué);2016年

6 陳思洋;覆蓋表生成蟻群算法：探索、挖掘與應(yīng)用[D];南京大學(xué);2015年

7 宋錦娟;一種改進(jìn)的蟻群算法及其在最短路徑問題中的應(yīng)用[D];中北大學(xué);2013年

8 郭姍姍;基于改進(jìn)粒子濾波的紅外弱小目標(biāo)檢測前跟蹤算法[D];哈爾濱工程大學(xué);2012年

9 龔懷瑾;智能算法的研究及其在水質(zhì)預(yù)測上的應(yīng)用[D];江南大學(xué);2013年

10 陳宏亮;粒子群優(yōu)化算法在氣象信息預(yù)測建模中的研究[D];中國科學(xué)技術(shù)大學(xué);2014年

，

本文編號(hào)：1999186