發(fā)布時間：2020-07-02 19:36

【摘要】：現(xiàn)實世界中,許多實際問題如工程設(shè)計、投資優(yōu)化、資源分配和路徑規(guī)劃等多為優(yōu)化問題。起源于達(dá)爾文進(jìn)化論,進(jìn)化算法(Evolutionary Algorithm,EAs)遵循“適者生存,不適者淘汰”的基本準(zhǔn)則,依靠群體尋優(yōu)的方式,不需要借助優(yōu)化問題的梯度信息,可以適用于求解復(fù)雜優(yōu)化問題。同時,EAs每次迭代生成一組優(yōu)化解而非單一優(yōu)化解,極大地提升了計算效率。多目標(biāo)進(jìn)化算法(Multi-Objective Evolutionary Algorithms,MOEAs)作為EAs的一個重要分支,受到廣泛關(guān)注,并服務(wù)于科學(xué)研究與工程實際應(yīng)用。近年來,分解多目標(biāo)進(jìn)化算法(Multi-Objective Evolutionary Algorithm Based on Decomposition,MOEA/D)作為應(yīng)用最為廣泛的MOEAs基本框架,在求解某些問題時會出現(xiàn)性能退化,算法本身存在一定不足。鑒于此,本文以提升MOEA/D性能為目的,從決策空間和目標(biāo)空間兩個維度展開研究。本文的主要研究成果和創(chuàng)新點包括:(1)針對不同MOEAs中不同變化算子在收斂性和多樣性上的表現(xiàn)不同,提出了一種基于混合性能指標(biāo)綜合評價的變化算子自適應(yīng)選擇機制。根據(jù)混合性能指標(biāo)評估當(dāng)前變化算子生成子代在收斂性和多樣性上的表現(xiàn),自適應(yīng)判斷后續(xù)進(jìn)化過程采用的變化算子,以期降低變化算子在進(jìn)化過程中生成無效子代。同時,針對烏鴉算法在求解單目標(biāo)優(yōu)化問題時展現(xiàn)出良好的探索性能,將其與差分進(jìn)化算子相結(jié)合,組成變化算子選擇池。實驗結(jié)果表明該方案能有效平衡MOEA/D在決策空間的探索與開發(fā),進(jìn)而平衡優(yōu)化解在收斂性和多樣性上的表現(xiàn)。(2)針對MOEA/D中固定均勻分布權(quán)值向量求解非凸、離散優(yōu)化問題時獲得的優(yōu)化解分布不均勻,提出了一種自適應(yīng)權(quán)值向量生成機制。進(jìn)化過程中當(dāng)前種群個體與當(dāng)前權(quán)值向量協(xié)同進(jìn)化,去除不可行權(quán)值向量,結(jié)合最優(yōu)權(quán)值向量生成器,自動更新權(quán)值向量,進(jìn)而使MOEA/D優(yōu)化解均勻分布于真實帕累托最優(yōu)前沿面。實驗結(jié)果表明該方案能有效改善MOEA/D的多樣性。(3)針對多數(shù)情況下決策者更傾向于獲得帕累托最優(yōu)前沿面上自己偏好的一組解而非整個真實帕累托最優(yōu)前沿,本文提出一種基于滿意度的交互式多目標(biāo)優(yōu)化算法。通過引入滿意度函數(shù)表征決策者偏好信息,同時根據(jù)交互式偏好信息的方式,提升決策者對優(yōu)化問題的認(rèn)識,更好地指導(dǎo)進(jìn)化過程向決策者偏好方向駛進(jìn)。實驗結(jié)果表明基于滿意度的交互式優(yōu)化方法能夠有效探索真實帕累托前沿面的邊界,同時與其他優(yōu)秀算法對比也能保證一定的收斂性。(4)針對大型礦用挖掘機提升機構(gòu)減速器特殊工況與設(shè)計需求,提出了一種基于安全系數(shù)設(shè)計的多目標(biāo)優(yōu)化模型。結(jié)合前面提出的優(yōu)化算法對該優(yōu)化問題進(jìn)行求解,計算結(jié)果表明所提出的算法能夠有效解決這一實際優(yōu)化問題。
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2018
【分類號】：TD422.2
【圖文】：

（a） （b）圖 1-3 帕累托最優(yōu)解集與 Attainment Surface。（a）31 個帕累托最優(yōu)解；（b）31 個Attainment Surface 以及 MedianAttainment Surface 示意圖（2）定量指標(biāo)

并且單調(diào)遞增。HV 值越大，表征相對應(yīng)解集的性能更佳，如圖1-4（b）所示。圖 1-4（b）中解集 A, B , C , D ,E 的HV 值大于解集 a , b, c , d ,e ，而直觀上也可以判定 A, B , C , D ,E 整體性能優(yōu)于 a , b, c , d ,e 。（a） （b）圖 1-4 超體積性能評價指標(biāo)計算示意和對比示意。（a）計算示意圖；（b）對比示意圖2）逆世代距離（IGD ）設(shè)P 為真實帕累托最優(yōu)前沿上一組均勻分布的點。IGD 指標(biāo)主要計算P 中每一點 p 與近似解集 A中最近點的距離的均值。IGD 的函數(shù)表達(dá)如下： 12( ) min ,PAIGD A dP pzp z （1-3）式中，z 為近似解集 A中任意一點， d 為 p 與z 之間的歐氏距離， P 為P 中點的個數(shù)。當(dāng) P 值足夠大，以至于P 能夠表征整個真實帕累托最優(yōu)前沿，IGD 從某

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉叢;萬秀華;基于多目標(biāo)進(jìn)化算法的多距離聚類研究[J];計算機應(yīng)用研究;2019年01期

2 孫冠群;牛志鈞;蔡慧;王斌銳;;基于多目標(biāo)進(jìn)化算法的異步電動機現(xiàn)場效率測算[J];計量學(xué)報;2015年01期

3 ;科技文摘[J];中國農(nóng)業(yè)文摘-農(nóng)業(yè)工程;2017年04期

4 梅志偉;;多目標(biāo)進(jìn)化算法綜述[J];軟件導(dǎo)刊;2017年06期

5 李鴻鑫;李銀紅;李智歡;;多目標(biāo)進(jìn)化算法求解無功優(yōu)化問題的比較與評估[J];電網(wǎng)技術(shù);2013年06期

6 趙晶晶;許峰;;基于分布估計的分解多目標(biāo)進(jìn)化算法[J];軟件導(dǎo)刊;2012年10期

7 李珂;鄭金華;;一種改進(jìn)的基于差分進(jìn)化的多目標(biāo)進(jìn)化算法[J];計算機工程與應(yīng)用;2008年29期

8 關(guān)志華;多目標(biāo)進(jìn)化算法研究初步[J];石家莊經(jīng)濟(jì)學(xué)院學(xué)報;2002年02期

9 吳迪;李蘇劍;李海濤;;基于精英重組的混合多目標(biāo)進(jìn)化算法[J];北京科技大學(xué)學(xué)報;2013年09期

10 于建偉;;多目標(biāo)進(jìn)化算法研究綜述[J];海南大學(xué)學(xué)報(自然科學(xué)版);2005年04期

相關(guān)會議論文 前3條

1 李莉;潘豐;;基于遺傳算法的多目標(biāo)進(jìn)化算法綜述[A];2007中國控制與決策學(xué)術(shù)年會論文集[C];2007年

2 孫海濤;熊鷹;韓峰;;基于多目標(biāo)進(jìn)化算法的艦船概念設(shè)計方法研究[A];第四屆全國船舶與海洋工程學(xué)術(shù)會議論文集[C];2009年

3 秦勇;張媛;邢宗義;侯遠(yuǎn)龍;賈利民;;基于遞階多目標(biāo)進(jìn)化算法的RBF神經(jīng)網(wǎng)絡(luò)設(shè)計方法[A];2009年中國智能自動化會議論文集（第六分冊）[中南大學(xué)學(xué)報（增刊）][C];2009年

相關(guān)博士學(xué)位論文 前10條

1 付亞平;多目標(biāo)進(jìn)化算法及其在生產(chǎn)調(diào)度中的應(yīng)用研究[D];東北大學(xué);2015年

2 付國忠;多目標(biāo)進(jìn)化算法及其在礦用挖掘機提升機構(gòu)減速器中的應(yīng)用[D];電子科技大學(xué);2018年

3 張鵬翔;多目標(biāo)進(jìn)化算法及其在電力系統(tǒng)中的應(yīng)用研究[D];華中科技大學(xué);2004年

4 孟紅云;多目標(biāo)進(jìn)化算法及其應(yīng)用研究[D];西安電子科技大學(xué);2005年

5 張利彪;基于粒子群和微分進(jìn)化的優(yōu)化算法研究[D];吉林大學(xué);2007年

6 郭秀萍;多目標(biāo)進(jìn)化算法及其在制造系統(tǒng)中的應(yīng)用研究[D];上海交通大學(xué);2007年

7 師瑞峰;多目標(biāo)進(jìn)化算法研究及其在生產(chǎn)排序中的應(yīng)用[D];北京航空航天大學(xué);2006年

8 黃林峰;多目標(biāo)進(jìn)化算法研究[D];中國科學(xué)技術(shù)大學(xué);2009年

9 劉立衡;多目標(biāo)進(jìn)化算法的研究及其在負(fù)荷分配中的應(yīng)用[D];華北電力大學(xué)（北京）;2010年

10 張虎;基于聚類的多目標(biāo)進(jìn)化算法重組算子研究[D];哈爾濱工業(yè)大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 劉悅悅;基于DEA的多目標(biāo)進(jìn)化算法及其在投資組合優(yōu)化的應(yīng)用[D];湖南大學(xué);2017年

2 丁歐;基于分解的混合多目標(biāo)進(jìn)化算法及其應(yīng)用研究[D];湖南大學(xué);2017年

3 劉凱松;基于參考點的高維多目標(biāo)進(jìn)化算法的研究[D];中原工學(xué)院;2018年

4 樊博聞;基于多目標(biāo)進(jìn)化算法的模鍛工藝優(yōu)化及模具設(shè)計[D];江蘇大學(xué);2017年

5 吳坤安;基于分散策略的多目標(biāo)進(jìn)化算法研究[D];福建師范大學(xué);2015年

6 王丹;基于分解的多目標(biāo)進(jìn)化算法研究[D];廣東工業(yè)大學(xué);2015年

7 趙晶晶;基于分解的混合多目標(biāo)進(jìn)化算法的研究與應(yīng)用[D];安徽理工大學(xué);2013年

8 胥寧;改進(jìn)的有效序值高維多目標(biāo)進(jìn)化算法及其應(yīng)用[D];西安電子科技大學(xué);2017年

9 季洪霄;動態(tài)約束多目標(biāo)進(jìn)化算法的研究與應(yīng)用[D];安徽理工大學(xué);2016年

10 宋峰;基于分解的多目標(biāo)進(jìn)化算法在動態(tài)可重疊社團(tuán)發(fā)現(xiàn)中的應(yīng)用[D];北京郵電大學(xué);2017年

本文編號：2738593