本文關(guān)鍵詞： 動(dòng)態(tài)多目標(biāo)優(yōu)化 進(jìn)化算法 魯棒Pareto最優(yōu)解 魯棒生存時(shí)間　出處：《自動(dòng)化學(xué)報(bào)》2017年11期 　論文類型：期刊論文

【摘要】：傳統(tǒng)動(dòng)態(tài)多目標(biāo)優(yōu)化問題(Dynamic multi-objective optimization problems,DMOPs)的求解方法,通常需要在新環(huán)境下,通過重新激發(fā)尋優(yōu)過程,獲得適應(yīng)該環(huán)境的Pareto最優(yōu)解.這可能導(dǎo)致較高的計(jì)算代價(jià)和資源成本,甚至無法在有限時(shí)間內(nèi)執(zhí)行該優(yōu)化解.由此,提出一類尋找動(dòng)態(tài)魯棒Pareto最優(yōu)解集的進(jìn)化優(yōu)化方法.動(dòng)態(tài)魯棒Pareto解集是指某一時(shí)刻下的Pareto較優(yōu)解可以以一定穩(wěn)定性閾值,逼近未來多個(gè)連續(xù)動(dòng)態(tài)環(huán)境下的真實(shí)前沿,從而直接作為這些環(huán)境下的Pareto解集,以減小計(jì)算代價(jià).為合理度量Pareto解的環(huán)境適應(yīng)性,給出了時(shí)間魯棒性和性能魯棒性定義,并將其轉(zhuǎn)化為兩類魯棒優(yōu)化模型.引入基于分解的多目標(biāo)進(jìn)化優(yōu)化方法和無懲罰約束處理方法,構(gòu)建了動(dòng)態(tài)多目標(biāo)分解魯棒進(jìn)化優(yōu)化方法.特別是基于移動(dòng)平均預(yù)測模型實(shí)現(xiàn)了未來動(dòng)態(tài)環(huán)境下適應(yīng)值的多維時(shí)間序列預(yù)測.基于提出的兩類新型性能評(píng)價(jià)測度,針對(duì)8個(gè)典型動(dòng)態(tài)測試函數(shù)的仿真實(shí)驗(yàn),結(jié)果表明該方法得到滿足決策者精度要求,且具有較長平均生存時(shí)間的動(dòng)態(tài)魯棒Pareto最優(yōu)解.
[Abstract]:The traditional method of solving dynamic multi-objective optimization problems (DMOPs) usually needs to obtain the optimal solution of Pareto suitable for this environment by reactivating the optimization process under the new environment, which may lead to higher computational cost and resource cost. It is impossible even to execute the optimal solution in a finite time. Therefore, an evolutionary optimization method for finding the optimal set of dynamic robust Pareto solutions is proposed. The dynamic robust Pareto solution set means that the Pareto optimal solution at a certain time can be obtained at a certain stability threshold. In order to reduce the computational cost, we approach the real frontiers of the future continuous dynamic environments and directly serve as the set of Pareto solutions in these environments. In order to reasonably measure the environmental adaptability of Pareto solutions, the time robustness and performance robustness are defined. It is transformed into two classes of robust optimization models. The decomposition based multi-objective evolutionary optimization method and the unpunished constraint processing method are introduced. The robust evolutionary optimization method of dynamic multiobjective decomposition is constructed, especially the multi-dimensional time series prediction in the future dynamic environment based on the moving average prediction model. Based on the proposed two new performance evaluation measures, the dynamic multi-objective decomposition robust evolutionary optimization method is proposed. The simulation results of eight typical dynamic test functions show that the dynamic robust Pareto optimal solution can meet the precision requirements of the decision makers and has a long average survival time.
【作者單位】： 中國礦業(yè)大學(xué)信息與電氣工程學(xué)院;中國礦業(yè)大學(xué)數(shù)學(xué)學(xué)院;
【基金】：國家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973計(jì)劃)(2014CB046300) 國家自然科學(xué)基金(61573361) 中國礦業(yè)大學(xué)創(chuàng)新團(tuán)隊(duì)(2015QN003)資助~~
【分類號(hào)】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孟凡麗;黃敏;王興偉;;基于雙邊多議題的Pareto最優(yōu)協(xié)商研究[J];計(jì)算機(jī)工程;2011年01期

2 ;Design of high performance multilayer microwave absorbers using fast Pareto genetic algorithm[J];Science in China(Series E:Technological Sciences);2009年09期

3 董紅斌;黃厚寬;何軍;侯薇;穆成坡;;一種混合策略的Pareto演化規(guī)劃[J];模式識(shí)別與人工智能;2006年06期

4 宋冠英;李海楠;鄒玉靜;;一種基于Pareto解集的無約束條件的多目標(biāo)粒子群算法[J];機(jī)械工程師;2008年05期

5 ;Diversity of Pareto front: A multiobjective genetic algorithm based on dominating information[J];Journal of Control Theory and Applications;2010年02期

6 李俊青;潘全科;王玉亭;;多目標(biāo)柔性車間調(diào)度的Pareto混合禁忌搜索算法[J];計(jì)算機(jī)集成制造系統(tǒng);2010年07期

7 潘偉杰;謝慶生;李少波;;基于Pareto的制造資源能力評(píng)價(jià)[J];制造業(yè)自動(dòng)化;2011年04期

8 邢宇飛;王成恩;柳強(qiáng);;基于Pareto解集蟻群算法的拆卸序列規(guī)劃[J];機(jī)械工程學(xué)報(bào);2012年09期

9 畢曉君;李博;;基于決策偏好信息的n維Pareto前沿可視化[J];系統(tǒng)工程與電子技術(shù);2013年03期

10 湯可宗;豐建文;柳炳祥;徐星;;基于Pareto的雙群體多目標(biāo)微分進(jìn)化算法[J];系統(tǒng)仿真學(xué)報(bào);2013年08期

相關(guān)會(huì)議論文 前9條

1 ;A Pareto-Based Differential Evolution Algorithm for Multi-objective Optimization Problems[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

2 周秀玲;孫承意;;Pareto-MEC算法的收斂性分析[A];2005年中國智能自動(dòng)化會(huì)議論文集[C];2005年

3 ;Multiobjective Optimization with Competitive Coevolutionary Genetic Algorithms[A];第二十九屆中國控制會(huì)議論文集[C];2010年

4 ;Study on New Coordination Mechanisms of Generalized Supply Chains with Loss-averse Agents[A];2009中國控制與決策會(huì)議論文集（3）[C];2009年

5 陳銀美;石連栓;;一種改進(jìn)的求解均勻分布Pareto解集的多目標(biāo)遺傳算法[A];中國運(yùn)籌學(xué)會(huì)第十屆學(xué)術(shù)交流會(huì)論文集[C];2010年

6 譚光興;毛宗源;;人工免疫算法用于求多目標(biāo)優(yōu)化的Pareto前端[A];第二十四屆中國控制會(huì)議論文集（下冊）[C];2005年

7 ;A Selective Migration Parallel Multi-objective Genetic Algorithm[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

8 李慷;劉咸姝;;一種新型的多目標(biāo)協(xié)調(diào)決策方法——變距離交互搜索法[A];1996年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（下冊）[C];1996年

9 ;Design of an optimal fractional-order PID controller using Multi-Objective GA optimization[A];2009中國控制與決策會(huì)議論文集（3）[C];2009年

相關(guān)博士學(xué)位論文 前2條

1 楊蘊(yùn);多目標(biāo)進(jìn)化算法及其在地下水優(yōu)化管理中的應(yīng)用研究[D];南京大學(xué);2012年

2 陳泯融;基于極值動(dòng)力學(xué)的優(yōu)化方法及其應(yīng)用研究[D];上海交通大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 范超;基于Pareto蟻群算法的MVB周期輪詢表設(shè)計(jì)問題研究[D];大連理工大學(xué);2015年

2 丁沖沖;基于Pareto多目標(biāo)人工蜂群算法的Web服務(wù)組合優(yōu)化研究[D];南京財(cái)經(jīng)大學(xué);2014年

3 韓紅艷;基于Pareto支配的高維多目標(biāo)進(jìn)化算法研究[D];大連理工大學(xué);2016年

4 桂行東;基于Pareto多目標(biāo)遺傳算法的列車節(jié)能運(yùn)行方法研究[D];南京理工大學(xué);2017年

5 汪開普;基于Pareto人工魚群算法的多目標(biāo)斗鏈?zhǔn)讲鹦毒€平衡特性研究[D];西南交通大學(xué);2017年

6 陳鵬;基于Pareto多目標(biāo)遺傳算法的CMOS運(yùn)放優(yōu)化設(shè)計(jì)[D];杭州電子科技大學(xué);2012年

7 曾文靜;多目標(biāo)優(yōu)化Pareto支配性預(yù)測及算法研究[D];中南大學(xué);2014年

8 童晶;多目標(biāo)優(yōu)化的Pareto解的表達(dá)與求取[D];武漢科技大學(xué);2009年

9 張曉芳;基于Pareto多目標(biāo)優(yōu)化的SVM多類分類算法的實(shí)現(xiàn)[D];武漢科技大學(xué);2008年

10 孫奉林;融入偏好區(qū)域的高維多目標(biāo)集合進(jìn)化優(yōu)化[D];中國礦業(yè)大學(xué);2016年

，

本文編號(hào)：1547518