超多目標(biāo)規(guī)劃問(wèn)題是指含有不小于4個(gè)目標(biāo)函數(shù)的優(yōu)化問(wèn)題,由于其目標(biāo)個(gè)數(shù)的增多,傳統(tǒng)的基于Pareto優(yōu)勢(shì)的進(jìn)化算法在處理超多目標(biāo)規(guī)劃問(wèn)題時(shí),面臨著支配阻抗、計(jì)算復(fù)雜和可視化等多方面的挑戰(zhàn)。目前處理超多目標(biāo)規(guī)劃問(wèn)題的方法可以總結(jié)為四類(lèi):基于弱Pareto優(yōu)勢(shì)關(guān)系的方法、基于分解的方法、基于指標(biāo)的方法和基于參考點(diǎn)的方法。它們主要在算法的適應(yīng)度分配和多樣性保護(hù)方面作出了改進(jìn),而在算法的收斂性方面,它們還存在不足。針對(duì)超多目標(biāo)進(jìn)化算法的支配阻抗現(xiàn)象,本文使用了基于參考點(diǎn)的方法,來(lái)保護(hù)多樣性,并使用了聚合函數(shù)來(lái)提高收斂性。本文的主要工作如下:（1）針對(duì)多目標(biāo)規(guī)劃粒子群算法易陷入早熟的問(wèn)題,本文提出了基于健康度的多目標(biāo)粒子群算法（HMOPSO）。HMOPSO算法在每次迭代過(guò)程中分別記錄了粒子出現(xiàn)運(yùn)動(dòng)振蕩和尋優(yōu)停滯的次數(shù);然后利用它們來(lái)更新種群粒子的健康值,當(dāng)粒子的健康值低于最低限制時(shí),判定該粒子為不健康粒子;接著,使用特殊的引導(dǎo)因子,對(duì)不健康粒子執(zhí)行變異,從而避免不健康粒子的無(wú)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(dòng)態(tài)維護(hù),每計(jì)算一次個(gè)體的擁擠距離,就淘汰一... 

【文章來(lái)源】：長(zhǎng)江大學(xué)湖北省

【文章頁(yè)數(shù)】：48 頁(yè)

【學(xué)位級(jí)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(quán)重對(duì)比試驗(yàn)Figure2-4Comparisonofinertiaweight由實(shí)驗(yàn)結(jié)果可以看出，的取值對(duì)于Griewank函數(shù)的結(jié)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(xué)習(xí)因子對(duì)算法性能的影響學(xué)習(xí)因子和又稱(chēng)加速系數(shù)，的取值反映了粒子向自身經(jīng)驗(yàn)學(xué)習(xí)的程度，若=0，粒子喪失自我認(rèn)知能力，算法收斂速度快；的取值反映了粒子向社會(huì)（群體）學(xué)習(xí)的程度，若=0，則粒子不進(jìn)行信息交流與共享，獨(dú)立飛行，難以找到全局最優(yōu)解。適當(dāng)?shù)卣{(diào)整和的值，有助于改善算法性能。這里主要測(cè)試=0、=2，=2、=0、=2、=2三種條件下算法性能的變化，實(shí)驗(yàn)結(jié)果如圖2-5。(a)Sphere(b)Griewank

10(c)Rosenbrock(d)Rastrigin圖2-5學(xué)習(xí)因子對(duì)比試驗(yàn)Figure2-5Comparisonoflearningfactors由圖2-5可以看出，=0時(shí)，算法很難收斂到最優(yōu)值，在Rosenbrock測(cè)試問(wèn)題上，=0時(shí)，出現(xiàn)早熟收斂現(xiàn)象。2.3粒子群優(yōu)化算法的應(yīng)用粒子群算法概念簡(jiǎn)單、易理解、易實(shí)現(xiàn)，目前已被廣泛應(yīng)用于各個(gè)領(lǐng)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(yīng)用于函數(shù)優(yōu)化問(wèn)題中，例如多目標(biāo)優(yōu)化、組合優(yōu)化等。2002年，Coello[31]等學(xué)者提出將PSO算法應(yīng)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(lái)保護(hù)非支配解的思想，而是在每次迭代過(guò)程中，利用種群內(nèi)部?jī)蓛筛?jìng)爭(zhēng)來(lái)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(yīng)離散粒子群方法，用廣義頂點(diǎn)表示問(wèn)題，從而使廣義TSP和TSP可以統(tǒng)一處理，使用PSO來(lái)解決組合優(yōu)化問(wèn)題；沈顯君等人[35]針對(duì)0-1背包問(wèn)題提出了一種特殊的PSO算法。吳斌等人[36]通過(guò)一種實(shí)數(shù)編解碼方法，結(jié)合差分進(jìn)化和粒子群算法來(lái)解決車(chē)輛路徑問(wèn)題。(2)神經(jīng)網(wǎng)絡(luò)訓(xùn)練將PSO應(yīng)用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練是將PSO的每個(gè)粒子的維數(shù)對(duì)應(yīng)于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)參數(shù)，PSO的全局最優(yōu)解即為該網(wǎng)絡(luò)的最優(yōu)參數(shù)。目前，PSO對(duì)神經(jīng)網(wǎng)絡(luò)的應(yīng)用主要包括優(yōu)化權(quán)重參數(shù)、優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和優(yōu)化傳遞函數(shù)[37-39]。相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法BP，PSO的優(yōu)勢(shì)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(luò)的適用范圍更廣。(3)數(shù)據(jù)挖掘

【參考文獻(xiàn)】：
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(xué)報(bào). 2011(08)
[2]雙倍體差分進(jìn)化粒子群算法在VRPSDP中的應(yīng)用研究[J]. 吳斌,蔡紅,樊樹(shù)海,蔣南云.  系統(tǒng)工程理論與實(shí)踐. 2010(03)
[3]基于雷達(dá)圖表示的多維數(shù)據(jù)可視化分類(lèi)方法[J]. 劉文遠(yuǎn),李芳,王寶文,洪文學(xué).  系統(tǒng)工程理論與實(shí)踐. 2010(01)
[4]基于擁擠距離的多目標(biāo)粒子群算法[J]. 楊善學(xué).  計(jì)算機(jī)工程與應(yīng)用. 2009(22)
[5]基于PSO的關(guān)聯(lián)規(guī)則挖掘方法及應(yīng)用[J]. 王曉敏,劉希玉,戴芬.  信息技術(shù)與信息化. 2009(03)
[6]基于粒子群優(yōu)化的數(shù)據(jù)分類(lèi)算法[J]. 王旸,劉曉東,徐小慧,胡軍.  系統(tǒng)仿真學(xué)報(bào). 2008(22)
[7]基于自適應(yīng)網(wǎng)格的多目標(biāo)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(xué)報(bào). 2008(21)
[8]基于PSO的加權(quán)關(guān)聯(lián)規(guī)則挖掘算法[J]. 李呈林,陳水利.  集美大學(xué)學(xué)報(bào)(自然科學(xué)版). 2007(01)
[9]基于改進(jìn)的微粒群優(yōu)化算法的0-1背包問(wèn)題求解[J]. 沈顯君,王偉武,鄭波盡,李元香.  計(jì)算機(jī)工程. 2006(18)
[10]基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法研究[J]. 高海兵,高亮,周馳,喻道遠(yuǎn).  電子學(xué)報(bào). 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(dǎo)航中的應(yīng)用[D]. 譚佳琳.哈爾濱工程大學(xué) 2010



本文編號(hào)：3516595