昂貴多目標優(yōu)化問題是近年來實際工程應用中的一個關注熱點和研究難點。相比于多目標優(yōu)化問題,這類問題通常具有復雜的機理模型,且其目標函數(shù)的每一次精確評價都需要耗費極其昂貴的時間和經(jīng)濟代價。隨著智能計算技術的不斷發(fā)展,進化算法以良好的魯棒性、全局性等優(yōu)點已經(jīng)被廣泛用于解決各種多目標優(yōu)化問題,但是由于在其進化過程中通常需要做大量的適應值計算才能取得令人滿意的結果,因而導致進化技術在昂貴多目標優(yōu)化問題上的應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評價模型以減少昂貴函數(shù)評價次數(shù),從而以較低成本估計進化算法中個體的適應值,指導算法的進化方向。由于代理模型本質上是一種有監(jiān)督的機器學習模型,因而這類方法也被稱為學習指導的進化算法。然而不幸的是,現(xiàn)有的大部分學習指導的進化算法僅能處理1-3個目標的優(yōu)化問題,難以有效擴展到計算昂貴的高維目標優(yōu)化問題上,因而還存在極大的改進和提升空間。事實上,昂貴多目標優(yōu)化問題求解的關鍵在于多目標進化算法框架的設計、代理模型的構建以及采樣解的選擇�；诖�,本文首先考慮充分利用分解型進化算法的性能優(yōu)勢,提出了一種通用的基于雙參考向量集的錐形分解多目標進化算法...

【文章頁數(shù)】：100 頁

【學位級別】：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 國內外研究現(xiàn)狀
        1.2.1 單一Kriging指導的進化算法
        1.2.2 Non-Kriging指導的進化算法
    1.3 論文研究的主要內容
    1.4 論文組織結構
第二章 相關技術綜述
    2.1 昂貴多目標優(yōu)化問題的描述
    2.2 代理模型技術
        2.2.1 Kriging模型
        2.2.2 多項式近似模型
        2.2.3 徑向基函數(shù)網(wǎng)絡模型
        2.2.4 支持向量回歸模型
    2.3 基于分解的多目標進化算法MOEA/D
        2.3.1 MOEA/D算法的基本原理
        2.3.2 MOEA/D算法的實現(xiàn)流程
    2.4 學習指導的分解型進化算法
    2.5 本章小結
第三章 基于雙參考向量集的錐形分解多目標進化算法
    3.1 基于錐形分解的多目標進化算法CDEA
        3.1.1 基于K-D樹輔助的全局關聯(lián)機制
        3.1.2 K-D樹指導的目標錐形分解策略
        3.1.3 K-D樹指導的個體錐形更新機制
    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進化算法具體實現(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 算法復雜度的分析
    3.5 實驗設計與數(shù)據(jù)分析
        3.5.1 實驗相關配置
        3.5.2 實驗結果分析
    3.6 本章總結
第四章 隨機森林指導的錐形分解昂貴多目標進化算法
    4.1 基于集成學習的隨機森林模型
    4.2 基于雙參考向量集的采樣解選擇標準
        4.2.1 基于觀察向量聚類的初始采樣解選擇過程
        4.2.2 局部搜索技術
        4.2.3 非支配排序操作
    4.3 隨機森林指導的錐形分解多目標進化算法實現(xiàn)流程
    4.4 實驗設計與分析
        4.4.1 實驗相關設置
        4.4.2 DTLZ系列測試問題上的解集質量分析
        4.4.3 WFG系列測試問題上的解集質量分析
    4.5 運行效率分析
    4.6 本章總結
第五章 實際工程問題上的應用
    5.1 在車輛正面耐撞性設計上的應用
        5.1.1 車輛正面耐撞性設計問題的目標模型
        5.1.2 算法應用與分析
    5.2 在汽車駕駛室設計上的應用
        5.2.1 汽車駕駛室設計問題的目標模型
        5.2.2 算法應用與分析
    5.3 本章總結
第六章 總結與展望
參考文獻
附錄
    附錄1 實驗環(huán)境
攻讀碩士學位期間取得的研究成果
致謝
附件



本文編號：3754102