本文選題：多目標進化算法　切入點：距離收斂量　出處：《東北師范大學》2017年碩士論文　論文類型：學位論文

【摘要】：近年來,多目標優(yōu)化問題已經(jīng)成為人工智能領(lǐng)域中最重要的問題形式之一。多目標進化算法憑借其優(yōu)秀的求解能力,已經(jīng)成為求解多目標優(yōu)化問題最重要的方法之一。多目標進化算法是一種基于群體演進的人工智能算法,該算法以生物進化過程中的優(yōu)勝劣汰原理為基礎(chǔ),以此推演出一套隨機的全局搜索策略。而在篩選個體的過程中,多目標進化算法大都利用非支配信息和密度信息評價個體。針對上述問題,本文提出了一種基于距離收斂量和歷史信息密度的多目標進化算法,并同4個最新的多目標進化算法在2個基準問題集上進行了對比實驗。本文的主要工作可以總結(jié)如下:(1)為了可以在個體支配等級相同的情況下有效的區(qū)分個體的收斂程度,本文提出的距離收斂量的概念,并在此基礎(chǔ)上提出了一種新的配對選擇操作;(2)為了可以在計算個體密度的過程中考慮整個搜索過程,本文提出的歷史信息密度,并在此基礎(chǔ)上提出了新的個體選擇操作;(3)通過對比實驗結(jié)果可以說明基于距離收斂量和歷史信息密度的多目標進化算法比相對比的其他算法有更好的求解效果。
[Abstract]:In recent years, multi-objective optimization problem has become one of the most important problems in the field of artificial intelligence. Multiobjective evolutionary algorithm is an artificial intelligence algorithm based on population evolution, which is based on the principle of survival of the fittest in the process of biological evolution. A set of random global search strategies is derived. However, in the process of selecting individuals, the multi-objective evolutionary algorithms mostly evaluate individuals using non-dominated information and density information. In this paper, a multi-objective evolutionary algorithm based on distance convergence and historical information density is proposed. And compared with four new multi-objective evolutionary algorithms on two benchmark problem sets, the main work of this paper can be summarized as follows: (1) in order to effectively distinguish the degree of convergence of individuals under the same dominance level, In this paper, the concept of distance convergence is proposed, and a new pairing selection operation is proposed. In order to consider the whole searching process in the process of calculating individual density, the historical information density is proposed in this paper. On this basis, a new individual selection operation is proposed. By comparing the experimental results, it can be shown that the multi-objective evolutionary algorithm based on distance convergence and historical information density is more effective than other algorithms.
【學位授予單位】：東北師范大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 余聶芳;宋武;;一種改進的聚集距離的多目標進化算法[J];電腦知識與技術(shù);2010年14期

2 關(guān)志華;多目標進化算法研究初步[J];石家莊經(jīng)濟學院學報;2002年02期

3 張勇德,黃莎白;一種改進的基于約束支配的多目標進化算法[J];計算機工程;2004年16期

4 雷德明,吳智銘;基于個體密集距離的多目標進化算法[J];計算機學報;2005年08期

5 薛娟;鄭金華;李旭勇;;一種基于聚集距離的多目標進化算法[J];計算機工程與應用;2005年36期

6 馬清亮;胡昌華;;多目標進化算法及其在控制領(lǐng)域中的應用綜述[J];控制與決策;2006年05期

7 唐歡容;蔣浩;鄭金華;;量子多目標進化算法研究[J];計算機工程與應用;2007年13期

8 林丹;丑英哲;李敏強;;求解多目標二層規(guī)劃的多目標進化算法[J];系統(tǒng)工程學報;2007年02期

9 鄭向偉;劉弘;;多目標進化算法研究進展[J];計算機科學;2007年07期

10 李密青;鄭金華;羅彪;伍軍;文詩華;;一種基于鄰域的多目標進化算法[J];計算機應用;2008年06期

相關(guān)會議論文 前2條

1 孫海濤;熊鷹;韓峰;;基于多目標進化算法的艦船概念設(shè)計方法研究[A];第四屆全國船舶與海洋工程學術(shù)會議論文集[C];2009年

2 崔遜學;;多目標進化算法的研究現(xiàn)狀與群體多樣性研究[A];Complexity Problems--Proceedings of CCAST (World Laboratory) Workshop[C];2001年

相關(guān)重要報紙文章 前1條

1 本報記者 邵嶺;人類語言中也有“DNA”？[N];文匯報;2011年

相關(guān)博士學位論文 前10條

1 豐志偉;多目標進化算法研究及在飛行器動力學系統(tǒng)中的應用[D];國防科學技術(shù)大學;2014年

2 代才;基于分解的多目標進化算法研究[D];西安電子科技大學;2014年

3 申瑞珉;高維多目標進化算法及其軟件平臺研究[D];湘潭大學;2015年

4 袁源;基于分解的多目標進化算法及其應用[D];清華大學;2015年

5 孟紅云;多目標進化算法及其應用研究[D];西安電子科技大學;2005年

6 黃林峰;多目標進化算法研究[D];中國科學技術(shù)大學;2009年

7 郭秀萍;多目標進化算法及其在制造系統(tǒng)中的應用研究[D];上海交通大學;2007年

8 譚艷艷;幾種改進的分解類多目標進化算法及其應用[D];西安電子科技大學;2013年

9 張明明;面向量子可逆邏輯自動綜合的多目標進化算法研究[D];東華大學;2010年

10 劉立衡;多目標進化算法的研究及其在負荷分配中的應用[D];華北電力大學（北京）;2010年

相關(guān)碩士學位論文 前10條

1 李瀟涵;基于距離收斂量和歷史信息密度的多目標進化算法的研究[D];東北師范大學;2017年

2 吳坤安;基于分散策略的多目標進化算法研究[D];福建師范大學;2015年

3 馬晨琳;基于分解的交互式偏好多目標優(yōu)化算法研究[D];西安電子科技大學;2014年

4 喻果;基于分解的偏好多目標進化算法及其評價指標的研究[D];湘潭大學;2015年

5 季洪霄;動態(tài)約束多目標進化算法的研究與應用[D];安徽理工大學;2016年

6 李達統(tǒng);基于MapReduce與Spark的分布式多目標進化算法的設(shè)計與實現(xiàn)[D];華南理工大學;2016年

7 齊吉;基于聚類的多目標進化算法及其在航跡規(guī)劃中的應用[D];哈爾濱工業(yè)大學;2016年

8 李輝健;多目標進化算法中新型非支配個體排序研究及應用[D];南京信息工程大學;2016年

9 楊志翔;基于分解排序的多目標進化算法的研究[D];南京航空航天大學;2016年

10 朱錚;面向指標和邊界選擇的高維多目標進化算法的研究[D];湘潭大學;2016年

，

本文編號：1642019