發(fā)布時間：2021-11-24 19:13

　　超多目標規(guī)劃問題是指含有不小于4個目標函數(shù)的優(yōu)化問題,由于其目標個數(shù)的增多,傳統(tǒng)的基于Pareto優(yōu)勢的進化算法在處理超多目標規(guī)劃問題時,面臨著支配阻抗、計算復雜和可視化等多方面的挑戰(zhàn)。目前處理超多目標規(guī)劃問題的方法可以總結為四類:基于弱Pareto優(yōu)勢關系的方法、基于分解的方法、基于指標的方法和基于參考點的方法。它們主要在算法的適應度分配和多樣性保護方面作出了改進,而在算法的收斂性方面,它們還存在不足。針對超多目標進化算法的支配阻抗現(xiàn)象,本文使用了基于參考點的方法,來保護多樣性,并使用了聚合函數(shù)來提高收斂性。本文的主要工作如下:（1）針對多目標規(guī)劃粒子群算法易陷入早熟的問題,本文提出了基于健康度的多目標粒子群算法（HMOPSO）。HMOPSO算法在每次迭代過程中分別記錄了粒子出現(xiàn)運動振蕩和尋優(yōu)停滯的次數(shù);然后利用它們來更新種群粒子的健康值,當粒子的健康值低于最低限制時,判定該粒子為不健康粒子;接著,使用特殊的引導因子,對不健康粒子執(zhí)行變異,從而避免不健康粒子的無效搜索,并降低健康粒子受到的干擾,有助于收斂性的提高;最后,使用了基于擁擠排序的動態(tài)維護,每計算一次個體的擁擠距離,就淘汰一... 

【文章來源】：長江大學湖北省

【文章頁數(shù)】：48 頁

【學位級別】：碩士

【部分圖文】：

圖2-2粒子更新示意圖

9(c)Rosenbrock(d)Rastrigin圖2-4慣性權重對比試驗Figure2-4Comparisonofinertiaweight由實驗結果可以看出，的取值對于Griewank函數(shù)的結果影響較為明顯，線性遞減的情況下收斂到最優(yōu)值較快。2.2.2學習因子對算法性能的影響學習因子和又稱加速系數(shù)，的取值反映了粒子向自身經(jīng)驗學習的程度，若=0，粒子喪失自我認知能力，算法收斂速度快；的取值反映了粒子向社會（群體）學習的程度，若=0，則粒子不進行信息交流與共享，獨立飛行，難以找到全局最優(yōu)解。適當?shù)卣{整和的值，有助于改善算法性能。這里主要測試=0、=2，=2、=0、=2、=2三種條件下算法性能的變化，實驗結果如圖2-5。(a)Sphere(b)Griewank

10(c)Rosenbrock(d)Rastrigin圖2-5學習因子對比試驗Figure2-5Comparisonoflearningfactors由圖2-5可以看出，=0時，算法很難收斂到最優(yōu)值，在Rosenbrock測試問題上，=0時，出現(xiàn)早熟收斂現(xiàn)象。2.3粒子群優(yōu)化算法的應用粒子群算法概念簡單、易理解、易實現(xiàn)，目前已被廣泛應用于各個領域中，主要包括：(1)函數(shù)與優(yōu)化粒子群算法最早被直接應用于函數(shù)優(yōu)化問題中，例如多目標優(yōu)化、組合優(yōu)化等。2002年，Coello[31]等學者提出將PSO算法應用于求解MOP中，并基于Pareto支配首次提出了MOPSO算法；CMOPSO[32]改變了使用外部存檔來保護非支配解的思想，而是在每次迭代過程中，利用種群內部兩兩競爭來更新粒子；CDMOPSO[33]使用擁擠距離提高了算法的搜索能力，并使用突變算子平衡多樣性和收斂性；Jing等人[34]提出了一種求解廣義TSP的自適應離散粒子群方法，用廣義頂點表示問題，從而使廣義TSP和TSP可以統(tǒng)一處理，使用PSO來解決組合優(yōu)化問題；沈顯君等人[35]針對0-1背包問題提出了一種特殊的PSO算法。吳斌等人[36]通過一種實數(shù)編解碼方法，結合差分進化和粒子群算法來解決車輛路徑問題。(2)神經(jīng)網(wǎng)絡訓練將PSO應用于神經(jīng)網(wǎng)絡訓練是將PSO的每個粒子的維數(shù)對應于神經(jīng)網(wǎng)絡的系統(tǒng)參數(shù)，PSO的全局最優(yōu)解即為該網(wǎng)絡的最優(yōu)參數(shù)。目前，PSO對神經(jīng)網(wǎng)絡的應用主要包括優(yōu)化權重參數(shù)、優(yōu)化網(wǎng)絡結構和優(yōu)化傳遞函數(shù)[37-39]。相比于傳統(tǒng)的神經(jīng)網(wǎng)絡訓練算法BP，PSO的優(yōu)勢在于不需要使用梯度信息，傳遞函數(shù)不再僅僅局限于可微函數(shù)，使得該網(wǎng)絡的適用范圍更廣。(3)數(shù)據(jù)挖掘

【參考文獻】：
期刊論文
[1]基于粒子健康度的快速收斂粒子群優(yōu)化算法[J]. 靳其兵,趙振興,蘇曉靜,曹麗婷.  化工學報. 2011(08)
[2]雙倍體差分進化粒子群算法在VRPSDP中的應用研究[J]. 吳斌,蔡紅,樊樹海,蔣南云.  系統(tǒng)工程理論與實踐. 2010(03)
[3]基于雷達圖表示的多維數(shù)據(jù)可視化分類方法[J]. 劉文遠,李芳,王寶文,洪文學.  系統(tǒng)工程理論與實踐. 2010(01)
[4]基于擁擠距離的多目標粒子群算法[J]. 楊善學.  計算機工程與應用. 2009(22)
[5]基于PSO的關聯(lián)規(guī)則挖掘方法及應用[J]. 王曉敏,劉希玉,戴芬.  信息技術與信息化. 2009(03)
[6]基于粒子群優(yōu)化的數(shù)據(jù)分類算法[J]. 王旸,劉曉東,徐小慧,胡軍.  系統(tǒng)仿真學報. 2008(22)
[7]基于自適應網(wǎng)格的多目標粒子群優(yōu)化算法[J]. 楊俊杰,周建中,方仍存,李英海,劉力.  系統(tǒng)仿真學報. 2008(21)
[8]基于PSO的加權關聯(lián)規(guī)則挖掘算法[J]. 李呈林,陳水利.  集美大學學報(自然科學版). 2007(01)
[9]基于改進的微粒群優(yōu)化算法的0-1背包問題求解[J]. 沈顯君,王偉武,鄭波盡,李元香.  計算機工程. 2006(18)
[10]基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡訓練算法研究[J]. 高海兵,高亮,周馳,喻道遠.  電子學報. 2004(09)

博士論文
[1]粒子群優(yōu)化算法研究及其在海底地形輔助導航中的應用[D]. 譚佳琳.哈爾濱工程大學 2010



本文編號：3516595