粒子群優(yōu)化算法（PSO）作為一種高效的群體智能算法,憑借其快速的收斂速度和良好的收斂精度,被廣泛用于解決各種不同的優(yōu)化問(wèn)題。近年來(lái),大量的研究與改進(jìn)使得粒子群優(yōu)化算法在處理單目標(biāo)優(yōu)化問(wèn)題（SOPs）時(shí)表現(xiàn)出卓越的性能。但由于多目標(biāo)優(yōu)化問(wèn)題（MOPs）具有較高的復(fù)雜性,且傳統(tǒng)的粒子群優(yōu)化算法的搜索方式隨機(jī)性和智能性較低,隨著目標(biāo)數(shù)和決策變量維數(shù)的增加,算法的性能會(huì)急劇降低。微觀世界粒子的運(yùn)動(dòng)規(guī)律——量子行為具有很強(qiáng)的不確定性,有利于提高算法的尋有能力。因此,本文將量子行為引入多目標(biāo)粒子群優(yōu)化算法（MOPSO）,提出兩種改進(jìn)算法分別用于解決多目標(biāo)函數(shù)優(yōu)化問(wèn)題和基因選擇問(wèn)題。本文的主要工作如下:（1）針對(duì)傳統(tǒng)多目標(biāo)粒子群優(yōu)化算法在處理復(fù)雜多目標(biāo)優(yōu)化問(wèn)題時(shí)多樣性和收斂性較差的缺陷,提出一種基于雙重搜索和循環(huán)遷移機(jī)制的多目標(biāo)量子行為粒子群優(yōu)化算法（MOQPSO-DSCT）。首先,提出一種雙重搜索策略來(lái)取代量子行為粒子群優(yōu)化算法單一的搜索模式,使粒子在進(jìn)化前期主要向它們的個(gè)體最優(yōu)位置學(xué)習(xí),而在進(jìn)化后期主要向全局最優(yōu)位置學(xué)習(xí),平衡了種群的探索與開(kāi)發(fā)能力,提升了解集的多樣性;其次,為了避免粒子在進(jìn)行局... 

【文章來(lái)源】：江蘇大學(xué)江蘇省

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀與分析
    1.3 本文研究思路及研究?jī)?nèi)容
    1.4 本文章節(jié)安排
第二章 相關(guān)研究基礎(chǔ)
    2.1 多目標(biāo)優(yōu)化的相關(guān)理論
    2.2 粒子群優(yōu)化算法
        2.2.1 標(biāo)準(zhǔn)粒子群優(yōu)化算法
        2.2.2 量子行為粒子群優(yōu)化算法
        2.2.3 二進(jìn)制量子行為粒子群優(yōu)化算法
        2.2.4 多目標(biāo)粒子群優(yōu)化算法
    2.3 反向?qū)W習(xí)
    2.4 遷移機(jī)制
    2.5 擁擠距離機(jī)制
    2.6 本章小結(jié)
第三章 基于雙重搜索和循環(huán)遷移機(jī)制的多目標(biāo)量子行為粒子群優(yōu)化算法
    3.1 引言
    3.2 基于雙重搜索和循環(huán)遷移機(jī)制的多目標(biāo)量子行為粒子群優(yōu)化算法（MOQPSO-DSCT）
        3.2.1 基于OBL的雙重搜索策略
        3.2.2 循環(huán)遷移機(jī)制
        3.2.3 MOQPSO-DSCT算法的步驟
        3.2.4 MOQPSO-DSCT算法的時(shí)間復(fù)雜度
    3.3 實(shí)驗(yàn)結(jié)果與討論
        3.3.1 測(cè)試函數(shù)和參數(shù)設(shè)置
        3.3.2 IGD分析
        3.3.3 解集多樣性的比較
        3.3.4 參數(shù)討論
    3.4 本章小結(jié)
第四章 基于決策偏好的二進(jìn)制MOQPSO-DSCT算法及其在基因表達(dá)譜上的應(yīng)用
    4.1 引言
    4.2 基于決策偏好的二進(jìn)制MOQPSO-DSCT算法（PAG-MOBQPSO-DSCT）
        4.2.1 基于加權(quán)法的決策偏好網(wǎng)格
        4.2.2 PAG-MOBQPSO-DSCT算法的流程
    4.3 PAG-MOBQPSO-DSCT算法在基因表達(dá)譜上的應(yīng)用
        4.3.1 基因表達(dá)譜數(shù)據(jù)
        4.3.2 基因選擇的常用方法
        4.3.3 極限學(xué)習(xí)機(jī)
        4.3.4 基因類別靈敏度信息
        4.3.5 基于基因靈敏度信息和PAG-MOBQPSO-DSCT算法的基因選擇方法
    4.4 實(shí)驗(yàn)結(jié)果討論與分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)集及參數(shù)設(shè)置
        4.4.2 實(shí)驗(yàn)結(jié)果分析
        4.4.3 所選基因子集的生物功能分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文與參與的科研項(xiàng)目


【參考文獻(xiàn)】：
期刊論文
[1]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[J]. 王麗萍,章鳴雷,邱飛岳,江波.  計(jì)算機(jī)學(xué)報(bào). 2018(01)
[2]基于分解和差分進(jìn)化的多目標(biāo)粒子群優(yōu)化算法[J]. 李飛,劉建昌,石懷濤,傅梓瑛.  控制與決策. 2017(03)
[3]應(yīng)用精英反向?qū)W習(xí)的多目標(biāo)煙花爆炸算法[J]. 謝承旺,許雷,趙懷瑞,夏學(xué)文,魏波.  電子學(xué)報(bào). 2016(05)
[4]基于折射原理反向?qū)W習(xí)模型的改進(jìn)粒子群算法[J]. 邵鵬,吳志健,周炫余,鄧長(zhǎng)壽.  電子學(xué)報(bào). 2015(11)
[5]具有偏序?qū)傩缘钠珢?ài)Pareto占優(yōu)關(guān)系[J]. 曾三友,秦莎,李長(zhǎng)河,張青,丁立新.  計(jì)算機(jī)學(xué)報(bào). 2014(09)
[6]基于Pareto熵的多目標(biāo)粒子群優(yōu)化算法[J]. 胡旺,Gary G. YEN,張?chǎng)?  軟件學(xué)報(bào). 2014(05)
[7]基于QPSO和擁擠距離排序的多目標(biāo)量子粒子群優(yōu)化算法[J]. 施展,陳慶偉.  控制與決策. 2011(04)
[8]基于量子行為特性粒子群和自適應(yīng)網(wǎng)格的多目標(biāo)優(yōu)化算法[J]. 施展,陳慶偉.  信息與控制. 2011(02)
[9]一種二進(jìn)制編碼的量子粒子群優(yōu)化算法[J]. 奚茂龍,孫俊,吳勇.  控制與決策. 2010(01)
[10]基于多目標(biāo)EDA的特征基因選擇[J]. 葉奇明,羅飛,劉娟.  計(jì)算機(jī)應(yīng)用研究. 2009(08)

博士論文
[1]多目標(biāo)粒子群優(yōu)化算法的全局搜索策略研究[D]. 王宇嘉.上海交通大學(xué) 2008
[2]若干投資組合優(yōu)化問(wèn)題模型及算法的研究[D]. 馬孝先.山東師范大學(xué) 2007

碩士論文
[1]基于打分準(zhǔn)則和微粒群算法的基因選擇方法研究[D]. 唐迪.江蘇大學(xué) 2017



本文編號(hào)：3154487