多目標(biāo)組合優(yōu)化問題在現(xiàn)實(shí)世界中大量存在,設(shè)計(jì)高效算法來解決該類問題具有重要的實(shí)際意義。本文著重于基于分解的多目標(biāo)組合優(yōu)化算法的研究,主要內(nèi)容包含如下兩個(gè)部分:第一,現(xiàn)有解決多目標(biāo)組合優(yōu)化問題的基本算法Pareto局部搜索,在運(yùn)行過程中具有極高的時(shí)間、空間復(fù)雜度,易陷入局部最優(yōu)且可拓展性差等缺陷。針對(duì)這些問題,本文提出了一種參考線指導(dǎo)的Pareto局部搜索算法（RLG-PLS）。RLG-PLS使用基于分解的算法框架,一組預(yù)設(shè)的參考線來指導(dǎo)搜索的方向并用以保持種群的多樣性。該算法在運(yùn)行過程中會(huì)維持著兩個(gè)種群,分別為最貼近參考線的解所構(gòu)成的外部集合以及作為Pareto局部搜索的起始解集合。在沒有新解加入至外部集合中時(shí),就會(huì)插入新的參考線以試圖幫助當(dāng)前解跳出局部最優(yōu)。通過對(duì)比實(shí)驗(yàn),可以證實(shí)RLG-PLS不論是在最終的結(jié)果還是運(yùn)行效率上均要優(yōu)于所比較的算法。第二,通過結(jié)合使用基于分解的多目標(biāo)優(yōu)化算法（MOEA/D）,局部搜索方法可以輕易地被用來解決多目標(biāo)組合優(yōu)化問題。然而,MOEA/D通常使用的分解方法,如加權(quán)和（WS）,切比雪夫（TCH）以及基于懲罰的邊界交叉法（PBI）等,由于其對(duì)于多樣性保... 

【文章來源】：南京航空航天大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：76 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

參考線指導(dǎo)PLS示意圖

這三種算法中局部搜索能力是最好的。對(duì)于 DCDG-MOMA，由于當(dāng)中的K 值是變化的，在一開始 值比較小，根據(jù) 4.3.6 中可知 值小的話對(duì)應(yīng)的起始種群SP 的大小也會(huì)受限。所以在一開始起始解的數(shù)目會(huì)比較的少，而隨著代數(shù)的增加， 值也會(huì)慢慢變大，進(jìn)而導(dǎo)致了起始解的數(shù)目的不斷增大�？傮w來說，DCDG-MOMA 算法的局部搜索的能力介于 PLS 和 MOEA/D-LS（WS，TCH，PBI）之間，但由于 PLS 的計(jì)算復(fù)雜度太高，效率偏低。而 MOEA/D-LS（WS，TCH，PBI）又會(huì)過早結(jié)束，局部搜索能力較弱。結(jié)合最后的結(jié)果指標(biāo)以及上述的分析，我們可以認(rèn)為 DCDG-MOMA 在這些算法中有著比較優(yōu)越的局部搜索能力。（a）候選集合 （b）PLS （c）DCDG-MOMA

基于分解的多目標(biāo)組合優(yōu)化算法的研究機(jī)含有七個(gè)設(shè)備的安裝位置[88]，分別為：AVIONICS-BAY， MID-LEFT，MID-RIGHT，TAIL-LEFT 以及 TAIL-RIGHT。而我設(shè)備在不違反約束的前提下安放至這七個(gè)位置上，使得兩個(gè)優(yōu)化中斷總成本能夠達(dá)到最小。在這里，所有的測試用例均來自于文測試用例 14-7 表示為有 14 個(gè)設(shè)備需要安放至這 7 個(gè)位置上，且圖 4.14 所示為在 14-7 例子中的一種可行配置方案示意圖。


本文編號(hào)：2996691