本文選題：多目標(biāo)優(yōu)化 + 進(jìn)化知識融合��； 參考：《控制與決策》2017年12期

【摘要】：提出一種基于進(jìn)化知識融合的多目標(biāo)人工蜂群算法.首先,采用精英群體知識和種群自身進(jìn)化知識混合引導(dǎo)引領(lǐng)蜂進(jìn)化,保持種群的多樣性和優(yōu)異性;然后,將一種融合個體支配關(guān)系和種群分布關(guān)系的方法引入跟隨蜂的概率選擇中,合理選擇個體進(jìn)行深度開發(fā)以改善算法收斂性能和分布性能;最后,提出一種更為嚴(yán)格的外部檔案維護(hù)策略以降低外部檔案維護(hù)成本,提高解集的分布性能.通過求解標(biāo)準(zhǔn)測試函數(shù),并與其他3種多目標(biāo)優(yōu)化算法進(jìn)行比較,仿真結(jié)果表明所提出算法具有良好的收斂性能和分布性能,且解集的覆蓋范圍更廣.
[Abstract]:A multi-objective artificial bee colony algorithm based on evolutionary knowledge fusion is proposed. First, the combination of elitist knowledge and the evolutionary knowledge of the population itself leads to the evolution of the bee, maintaining the diversity and excellence of the population. A method of combining individual dominance relationship and population distribution relationship is introduced into the probability selection of the following bee, and the individuals are reasonably selected for in-depth development in order to improve the convergence and distribution performance of the algorithm. A more strict external file maintenance strategy is proposed to reduce the cost of external file maintenance and improve the distribution performance of the solution set. By solving the standard test function and comparing with the other three multi-objective optimization algorithms, the simulation results show that the proposed algorithm has good convergence and distribution performance, and the solution set has a wider range of coverage.
【作者單位】： 江南大學(xué)物聯(lián)網(wǎng)技術(shù)應(yīng)用教育部工程研究中心;
【基金】：國家自然科學(xué)基金項目(61573167,61572237) 高等學(xué)校博士學(xué)科點專項科研基金項目(20130093110011)
【分類號】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 緱錦;蔣云良;吳揚揚;;知識融合中的反饋評估和參數(shù)校正的機(jī)制[J];計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報;2008年01期

2 德淑敏;梅樹立;;基于知識融合的研究性學(xué)習(xí)教學(xué)模式構(gòu)建[J];農(nóng)業(yè)網(wǎng)絡(luò)信息;2008年03期

3 魯慧民;馮博琴;趙英良;鄭慶華;劉均;;一種基于擴(kuò)展主題圖的分布式知識融合[J];吉林大學(xué)學(xué)報(理學(xué)版);2009年03期

4 郭強(qiáng);關(guān)欣;曹昕瑩;張政超;何友;;知識融合理論研究發(fā)展與展望[J];中國電子科學(xué)研究院學(xué)報;2012年03期

5 徐賜軍;李愛平;劉雪梅;;基于本體的知識融合框架[J];計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報;2010年07期

6 周芳;王鵬波;韓立巖;;多源知識融合處理算法[J];北京航空航天大學(xué)學(xué)報;2013年01期

7 緱錦;楊建剛;蔣云良;陳倩;;基于元信息和本體論的知識融合算法[J];計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報;2006年06期

8 張振海;王曉明;黨建武;閔永智;;基于專家知識融合的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法[J];計算機(jī)工程與應(yīng)用;2014年02期

9 李良富,樊孝忠,李宏喬,顧益軍;知識是如何驅(qū)動Q/A系統(tǒng)的[J];計算機(jī)工程與應(yīng)用;2004年20期

10 鄭麗英,劉麗艷,王海涌;一種多知識融合的獲取模糊規(guī)則的集成方法[J];自動化與儀器儀表;2005年02期

相關(guān)會議論文 前4條

1 張丹;華紅艷;邵麗紅;;擾動蟻群算法中參數(shù)的優(yōu)化選擇[A];中國自動化學(xué)會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

2 劉桂萍;于瑞貞;;動態(tài)環(huán)境下的柴油機(jī)調(diào)速系統(tǒng)PID控制參數(shù)的多目標(biāo)優(yōu)化[A];中國力學(xué)大會——2013論文摘要集[C];2013年

3 韓肖清;劉海龍;;基于遺傳算法的微電網(wǎng)多目標(biāo)優(yōu)化控制研究[A];2011中國電工技術(shù)學(xué)會學(xué)術(shù)年會論文集[C];2011年

4 曹瑞芬;吳宜燦;景佳;李國麗;裴曦;程夢云;林輝;FDS團(tuán)隊;;快速非支配排序多目標(biāo)遺傳算法在放療逆向計劃優(yōu)化中的應(yīng)用[A];第二屆全國核技術(shù)及應(yīng)用研究學(xué)術(shù)研討會大會論文摘要集[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 緱錦;知識融合中若干關(guān)鍵技術(shù)研究[D];浙江大學(xué);2005年

2 王晗丁;復(fù)雜問題的多目標(biāo)進(jìn)化優(yōu)化算法研究[D];西安電子科技大學(xué);2015年

3 董寧;求解約束優(yōu)化和多目標(biāo)優(yōu)化問題的進(jìn)化算法研究[D];西安電子科技大學(xué);2015年

4 過曉芳;超多目標(biāo)優(yōu)化問題的幾種進(jìn)化算法研究[D];西安電子科技大學(xué);2015年

5 左益;基于全局優(yōu)化和局部學(xué)習(xí)的進(jìn)化多目標(biāo)優(yōu)化算法[D];西安電子科技大學(xué);2016年

6 徐志丹;基于生物地理算法的多目標(biāo)優(yōu)化理論與應(yīng)用研究[D];哈爾濱工程大學(xué);2013年

7 蔣慶;地下水時空變化及監(jiān)測網(wǎng)多目標(biāo)優(yōu)化研究[D];華中科技大學(xué);2008年

8 陳瓊;演化多目標(biāo)優(yōu)化多樣性保持策略及其應(yīng)用研究[D];武漢理工大學(xué);2010年

9 陳小紅;基于進(jìn)化算法的高維多目標(biāo)優(yōu)化問題求解方法及應(yīng)用[D];深圳大學(xué);2015年

10 劉鎏;多目標(biāo)優(yōu)化進(jìn)化算法及應(yīng)用研究[D];天津大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 夏躍龍;多源異構(gòu)民族信息資源知識融合算法研究[D];云南師范大學(xué);2014年

2 孟曉琳;蟻群算法的研究及其應(yīng)用[D];西南交通大學(xué);2015年

3 胡瀛月;人工蜂群算法的改進(jìn)及相關(guān)應(yīng)用研究[D];中原工學(xué)院;2016年

4 高明芳;基于粒子群蟻群混合算法的物流車輛路徑問題研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2016年

5 周文明;基于智能算法的移動機(jī)器人路徑規(guī)劃研究[D];南京理工大學(xué);2016年

6 繆志勇;車聯(lián)網(wǎng)平臺下基于優(yōu)化蟻群算法的公交調(diào)度系統(tǒng)優(yōu)化[D];江西農(nóng)業(yè)大學(xué);2016年

7 陳思洋;覆蓋表生成蟻群算法：探索、挖掘與應(yīng)用[D];南京大學(xué);2015年

8 何素素;基于改進(jìn)的粒子群算法的鉆進(jìn)參數(shù)多目標(biāo)優(yōu)化研究[D];西安石油大學(xué);2015年

9 崔華;面向個性化需求的服務(wù)組合優(yōu)化方法[D];哈爾濱工業(yè)大學(xué);2015年

10 章姍捷;基于遺傳算法的電力工程多目標(biāo)優(yōu)化研究[D];華北電力大學(xué);2015年

，

本文編號：1943370