昂貴多目標(biāo)優(yōu)化問(wèn)題是近年來(lái)實(shí)際工程應(yīng)用中的一個(gè)關(guān)注熱點(diǎn)和研究難點(diǎn)。相比于多目標(biāo)優(yōu)化問(wèn)題,這類(lèi)問(wèn)題通常具有復(fù)雜的機(jī)理模型,且其目標(biāo)函數(shù)的每一次精確評(píng)價(jià)都需要耗費(fèi)極其昂貴的時(shí)間和經(jīng)濟(jì)代價(jià)。隨著智能計(jì)算技術(shù)的不斷發(fā)展,進(jìn)化算法以良好的魯棒性、全局性等優(yōu)點(diǎn)已經(jīng)被廣泛用于解決各種多目標(biāo)優(yōu)化問(wèn)題,但是由于在其進(jìn)化過(guò)程中通常需要做大量的適應(yīng)值計(jì)算才能取得令人滿(mǎn)意的結(jié)果,因而導(dǎo)致進(jìn)化技術(shù)在昂貴多目標(biāo)優(yōu)化問(wèn)題上的應(yīng)用仍然具有很大的局限性。一種主流的方法是使用代理模型替代真實(shí)評(píng)價(jià)模型以減少昂貴函數(shù)評(píng)價(jià)次數(shù),從而以較低成本估計(jì)進(jìn)化算法中個(gè)體的適應(yīng)值,指導(dǎo)算法的進(jìn)化方向。由于代理模型本質(zhì)上是一種有監(jiān)督的機(jī)器學(xué)習(xí)模型,因而這類(lèi)方法也被稱(chēng)為學(xué)習(xí)指導(dǎo)的進(jìn)化算法。然而不幸的是,現(xiàn)有的大部分學(xué)習(xí)指導(dǎo)的進(jìn)化算法僅能處理1-3個(gè)目標(biāo)的優(yōu)化問(wèn)題,難以有效擴(kuò)展到計(jì)算昂貴的高維目標(biāo)優(yōu)化問(wèn)題上,因而還存在極大的改進(jìn)和提升空間。事實(shí)上,昂貴多目標(biāo)優(yōu)化問(wèn)題求解的關(guān)鍵在于多目標(biāo)進(jìn)化算法框架的設(shè)計(jì)、代理模型的構(gòu)建以及采樣解的選擇�；诖�,本文首先考慮充分利用分解型進(jìn)化算法的性能優(yōu)勢(shì),提出了一種通用的基于雙參考向量集的錐形分解多目標(biāo)進(jìn)化算法...

【文章頁(yè)數(shù)】：100 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
英文縮略詞
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 單一Kriging指導(dǎo)的進(jìn)化算法
        1.2.2 Non-Kriging指導(dǎo)的進(jìn)化算法
    1.3 論文研究的主要內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 相關(guān)技術(shù)綜述
    2.1 昂貴多目標(biāo)優(yōu)化問(wèn)題的描述
    2.2 代理模型技術(shù)
        2.2.1 Kriging模型
        2.2.2 多項(xiàng)式近似模型
        2.2.3 徑向基函數(shù)網(wǎng)絡(luò)模型
        2.2.4 支持向量回歸模型
    2.3 基于分解的多目標(biāo)進(jìn)化算法MOEA/D
        2.3.1 MOEA/D算法的基本原理
        2.3.2 MOEA/D算法的實(shí)現(xiàn)流程
    2.4 學(xué)習(xí)指導(dǎo)的分解型進(jìn)化算法
    2.5 本章小結(jié)
第三章 基于雙參考向量集的錐形分解多目標(biāo)進(jìn)化算法
    3.1 基于錐形分解的多目標(biāo)進(jìn)化算法CDEA
        3.1.1 基于K-D樹(shù)輔助的全局關(guān)聯(lián)機(jī)制
        3.1.2 K-D樹(shù)指導(dǎo)的目標(biāo)錐形分解策略
        3.1.3 K-D樹(shù)指導(dǎo)的個(gè)體錐形更新機(jī)制
    3.2 兩組參考向量集的生成
    3.3 基于雙參考向量集的錐形分解多目標(biāo)進(jìn)化算法具體實(shí)現(xiàn)流程
        3.3.1 CDEA-DR主框架
        3.3.2 初始化階段
        3.3.3 重組階段
        3.3.4 環(huán)境選擇
    3.4 算法復(fù)雜度的分析
    3.5 實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)分析
        3.5.1 實(shí)驗(yàn)相關(guān)配置
        3.5.2 實(shí)驗(yàn)結(jié)果分析
    3.6 本章總結(jié)
第四章 隨機(jī)森林指導(dǎo)的錐形分解昂貴多目標(biāo)進(jìn)化算法
    4.1 基于集成學(xué)習(xí)的隨機(jī)森林模型
    4.2 基于雙參考向量集的采樣解選擇標(biāo)準(zhǔn)
        4.2.1 基于觀(guān)察向量聚類(lèi)的初始采樣解選擇過(guò)程
        4.2.2 局部搜索技術(shù)
        4.2.3 非支配排序操作
    4.3 隨機(jī)森林指導(dǎo)的錐形分解多目標(biāo)進(jìn)化算法實(shí)現(xiàn)流程
    4.4 實(shí)驗(yàn)設(shè)計(jì)與分析
        4.4.1 實(shí)驗(yàn)相關(guān)設(shè)置
        4.4.2 DTLZ系列測(cè)試問(wèn)題上的解集質(zhì)量分析
        4.4.3 WFG系列測(cè)試問(wèn)題上的解集質(zhì)量分析
    4.5 運(yùn)行效率分析
    4.6 本章總結(jié)
第五章 實(shí)際工程問(wèn)題上的應(yīng)用
    5.1 在車(chē)輛正面耐撞性設(shè)計(jì)上的應(yīng)用
        5.1.1 車(chē)輛正面耐撞性設(shè)計(jì)問(wèn)題的目標(biāo)模型
        5.1.2 算法應(yīng)用與分析
    5.2 在汽車(chē)駕駛室設(shè)計(jì)上的應(yīng)用
        5.2.1 汽車(chē)駕駛室設(shè)計(jì)問(wèn)題的目標(biāo)模型
        5.2.2 算法應(yīng)用與分析
    5.3 本章總結(jié)
第六章 總結(jié)與展望
參考文獻(xiàn)
附錄
    附錄1 實(shí)驗(yàn)環(huán)境
攻讀碩士學(xué)位期間取得的研究成果
致謝
附件



本文編號(hào)：3754102