本文關(guān)鍵詞：基于種群分解的進(jìn)化超多目標(biāo)算法及其應(yīng)用

  更多相關(guān)文章： 超多目標(biāo)優(yōu)化 進(jìn)化多目標(biāo)算法 種群分解 汽車(chē)側(cè)面碰撞優(yōu)化問(wèn)題

【摘要】：當(dāng)優(yōu)化問(wèn)題包含的目標(biāo)個(gè)數(shù)是兩個(gè)或者三者時(shí),傳統(tǒng)經(jīng)典的優(yōu)化算法會(huì)有好的效果,但是在處理目標(biāo)多于或等于五個(gè)的超多目標(biāo)優(yōu)化問(wèn)題時(shí),這些算法的效果并不理想,主要原因有：1)從收斂性方面考慮,目標(biāo)空間維數(shù)的增長(zhǎng)將會(huì)導(dǎo)致種群中Pareto非支配解呈指數(shù)型增長(zhǎng),致使算法無(wú)法從種群中選擇性能較好的個(gè)體,從而影響算法的收斂性能.2)從分布性方面考慮,大部分分布性保持策略通常比較偏好某些極端個(gè)體,在高維空間中,這種特點(diǎn)會(huì)減弱算法的搜索能力,最終影響種群的分布性.針對(duì)傳統(tǒng)的進(jìn)化多目標(biāo)算法在處理超多目標(biāo)優(yōu)化問(wèn)題時(shí)收斂性與分布性不足的這種情況,本文提出一種基于改進(jìn)的K支配排序以及種群分解的進(jìn)化超多目標(biāo)算法(KD-MOEA)該算法結(jié)合種群分解策略,對(duì)整個(gè)區(qū)域進(jìn)行分解,從而對(duì)種群進(jìn)行分解,這在整體上有利于提高算法的分布性,同時(shí)也在很大程度上減少了計(jì)算量；改進(jìn)之后的K支配與Pareto支配關(guān)系相比,極大地增大了算法的選擇壓力,提升了算法的收斂性能；為了彌補(bǔ)傳統(tǒng)的聚集距離精確性不足,本文使用新的密度估計(jì)方法,提升局部密度估計(jì)的精確性.新提出算法與NSGA-II就DTLZ測(cè)試函數(shù)集進(jìn)行對(duì)比試驗(yàn),實(shí)驗(yàn)結(jié)果顯示該算法在處理超多目標(biāo)優(yōu)化問(wèn)題具有明顯的優(yōu)勢(shì),不僅提升了傳統(tǒng)進(jìn)化算法的收斂性能,而且獲得的解集在Pareto前沿上具有較好的分布性.我們將新提出的算法應(yīng)用到實(shí)際問(wèn)題—汽車(chē)側(cè)面碰撞優(yōu)化問(wèn)題中.在運(yùn)用新算法求解時(shí),考慮到待優(yōu)化問(wèn)題的特殊性,我們會(huì)對(duì)算法的加進(jìn)約束處理策略-罰函數(shù),使其更好地處理這個(gè)優(yōu)化問(wèn)題.從仿真的結(jié)果可以看出,新算法求解出來(lái)的解具有較小的質(zhì)量和較高的安全等級(jí)得分,并且這些解求出來(lái)的指標(biāo)值離約束上界有較大的空間,即說(shuō)明這些解具有很好的適用性.兼具上述性質(zhì)的解能夠?yàn)閷?shí)際的生產(chǎn)設(shè)計(jì)提供很好的參照,所以新算法能夠有效的解決汽車(chē)側(cè)面碰撞優(yōu)化問(wèn)題.
【關(guān)鍵詞】：超多目標(biāo)優(yōu)化 進(jìn)化多目標(biāo)算法 種群分解 汽車(chē)側(cè)面碰撞優(yōu)化問(wèn)題
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP18
【目錄】：

• 摘要4-5
• ABSTRACT5-11
• 第一章 緒論11-17
• 1.1 進(jìn)化多目標(biāo)算法的研究及進(jìn)展11-14
• 1.2 多目標(biāo)進(jìn)化的基本概念14-15
• 1.3 本課題的研究意義15
• 1.4 本文的組織結(jié)構(gòu)15-17
• 第二章 超多目標(biāo)優(yōu)化問(wèn)題17-23
• 2.1 傳統(tǒng)的進(jìn)化多目標(biāo)算法不適用超多目標(biāo)優(yōu)化問(wèn)題的簡(jiǎn)要分析17-18
• 2.2 求解超多目標(biāo)優(yōu)化問(wèn)題的難點(diǎn)18-19
• 2.3 進(jìn)化超多目標(biāo)算法的研究現(xiàn)狀19-22
• 2.4 小結(jié)22-23
• 第三章 基于種群分解的進(jìn)化超多目標(biāo)算法及其應(yīng)用23-38
• 3.1 基于種群分解的進(jìn)化超多目標(biāo)算法及其應(yīng)用23-30
• 3.1.1 M2M種群分解23-25
• 3.1.2 改進(jìn)之后的K支配25-27
• 3.1.3 基于改進(jìn)的K支配的等級(jí)排序27
• 3.1.4 擁擠密度估計(jì)方法27-29
• 3.1.5 算法的主要框架29-30
• 3.2 測(cè)試指標(biāo)及測(cè)試函數(shù)簡(jiǎn)介30-32
• 3.3 測(cè)試結(jié)果及分析32-36
• 3.4 小結(jié)36-38
• 第四章 提出的算法在汽車(chē)側(cè)面碰撞優(yōu)化問(wèn)題上的應(yīng)用38-47
• 4.1 汽車(chē)側(cè)面碰撞優(yōu)化問(wèn)題概述38-40
• 4.2 汽車(chē)側(cè)面碰撞優(yōu)化模型的建立40-42
• 4.3 提出的算法在汽車(chē)側(cè)面碰撞優(yōu)化問(wèn)題上的應(yīng)用42-45
• 4.3.1 編碼42
• 4.3.2 解碼42-43
• 4.3.3 交叉算子43
• 4.3.4 變異算子43-44
• 4.3.5 約束處理44
• 4.3.6 參數(shù)設(shè)置44-45
• 4.4 實(shí)驗(yàn)結(jié)果45-46
• 4.5 小結(jié)46-47
• 總結(jié)與展望47-49
• 參考文獻(xiàn)49-53
• 攻讀碩士學(xué)位期間發(fā)表的論文53-55
• 致謝55

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 唐浩;;蟻群算法的研究與展望[J];牡丹江教育學(xué)院學(xué)報(bào);2009年06期

2 鄧小波;曹聰聰;龍倫海;康耀紅;;蟻群算法搜索熵研究[J];海南大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年04期

3 張康;顧幸生;;全局組搜索優(yōu)化算法及其應(yīng)用研究[J];青島科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年05期

4 李東曉;蔣珉;柴干;;蟻群算法優(yōu)化及其在高速公路緊急救援中的應(yīng)用[J];計(jì)算機(jī)技術(shù)與發(fā)展;2010年11期

5 _5文龍 ,黃，

本文編號(hào)：1084605