多目標最優(yōu)化問題是工程實踐與科學研究中的主要問題形式之一,其主要特點為各個目標之間可能是相互制約的,所以其結(jié)果往往是得到一組互不支配的解,一個解對于某個目標來說是較好的,但對于其他目標來說則是較差的。所有這些互不支配的解所構成的集合就叫做Pareto最優(yōu)解集。傳統(tǒng)的求解多目標優(yōu)化的方法雖然簡單高效,但也存在很多缺陷,尤其是處理復雜的多目標優(yōu)化問題和高維多目標優(yōu)化問題(目標個數(shù)大于三個的問題)。因此,如何設計高效的優(yōu)化算法成為學者們的研究課題之一。粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法是近年來發(fā)展起來的一種新型進化算法,因其原理清晰,結(jié)構簡單,易于實現(xiàn),自提出以來受到廣泛的關注。目前已被廣泛用于目標優(yōu)化、神經(jīng)網(wǎng)絡、模式識別等領域。本文針對粒子群算法在多目標優(yōu)化中的應用進行了研究,主要研究工作和成果有:本文首先介紹了研究背景及意義,多目標優(yōu)化問題數(shù)學模型與相關概念,多目標優(yōu)化算法的研究現(xiàn)狀;然后詳細的介紹了粒子群算法原理及數(shù)學模型,基本粒子群算法實現(xiàn)流程和多目標粒子群算法研究現(xiàn)狀;接著在處理低維多目標優(yōu)化問題上提出了基于多策略的多目標粒子群算法(M...

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 多目標優(yōu)化問題的數(shù)學模型及相關概念
    1.3 多目標優(yōu)化算法的研究現(xiàn)狀
    1.4 論文主要研究工作及內(nèi)容安排
第2章 粒子群優(yōu)化算法
    2.1 引言
    2.2 算法原理及數(shù)學模型
        2.2.1 原始的粒子群模型
        2.2.2 改進的粒子群模型
    2.3 算法流程
    2.4 多目標粒子群算法發(fā)展研究現(xiàn)狀
    2.5 本章小結(jié)
第3章 基于多策略的多目標粒子群算法
    3.1 引言
    3.2 基于多策略的改進方法
        3.2.1 基于Pareto支配關系的局部最優(yōu)粒子選取
        3.2.2 基于兩策略的速度更新方式
        3.2.3 混合斯變異策略
        3.2.4 基于指標的外部檔案更新和全局最優(yōu)粒子選取策略
    3.3 M-MOPSO算法的主要流程
    3.4 實驗分析
        3.4.1 測試問題及參數(shù)設定
        3.4.2 算法性能的評價指標
        3.4.3 對測試問題的實驗比較
    3.5 本章小結(jié)
第4章 基于ε⁺指標和方向向量的多目標粒子群算法
    4.1 引言
    4.2 基于ε⁺指標和方向向量的方法分析
        4.2.1 二元ε⁺指標的定義及分析
        4.2.2 方向向量的定義及分析
    4.3 IDMOPSO算法的主要流程
    4.4 IDMOPSO算法的關鍵算子
        4.4.1 粒子跳出搜索空間的處理
        4.4.2 個體極值的選取
        4.4.3 全局極值的選取
        4.4.4 外部文檔更新和維護
    4.5 實驗設計
        4.5.1 測試問題
        4.5.2 所有比較算法參數(shù)的設定
        4.5.3 算法性能的評價方式
        4.5.4 求解DTLZ及DTLZ^-1系列問題的結(jié)果分析與比較
        4.5.5 求解WFG及WFG^-1系列問題的結(jié)果分析與比較
    4.6 對IDMOPSO關鍵算子的討論
        4.6.1 個體極值的選取策略討論及實驗分析
        4.6.2 全局極值的選取策略討論及實驗分析
        4.6.3 個外部文檔更新和維護策略討論及實驗分析
    4.7 本章小結(jié)
第5章 總結(jié)與展望
    5.1 全文工作總結(jié)
    5.2 未來工作展望
參考文獻
致謝
攻讀碩士學位期間的研究成果



本文編號：3798959