本文選題：檔案精英學習 + 動態(tài)一般反向?qū)W習��； 參考：《計算機學報》2017年03期

【摘要】：現(xiàn)實中的多目標優(yōu)化問題日益復雜,對多目標優(yōu)化算法提出了新的挑戰(zhàn).受混合多目標優(yōu)化算法的啟發(fā),該文提出了一種應用檔案精英學習和反向?qū)W習的多目標進化算法(Multi-objective Evolutionary Algorithm Based on Archive-Elite Learning and Opposition-based Learning,AOL-MOEA)以解決困難的多目標優(yōu)化問題.AOLMOEA算法利用檔案精英學習算子增強算法全局搜索能力,促進算法較快收斂;運用動態(tài)一般反向?qū)W習機制代替變異算子以增加種群逃逸局部極值的機會;使用3-點最短路徑方法維持解群的多樣性.AOL-MOEA算法與另外5種代表性多目標優(yōu)化算法在12個基準多目標測試函數(shù)上進行性能比較,實驗結果表明:AOL-MOEA算法在收斂性、多樣性和穩(wěn)定性等方面均優(yōu)于或部分優(yōu)于其他的對比算法.
[Abstract]:The multi-objective optimization problem is becoming more and more complex in reality, which brings a new challenge to the multi-objective optimization algorithm. Inspired by the hybrid multi-objective optimization algorithm, In this paper, a multi-objective evolutionary algorithm named Multi-Objective Evolutionary Algorithm based on Archive-Elite Learning and based on AOL-MOEAA is proposed to solve the difficult multi-objective optimization problem. AOLMOEA uses the archival elite learning operator to enhance the global search ability of the algorithm. It promotes the fast convergence of the algorithm and uses the dynamic general reverse learning mechanism to replace the mutation operator to increase the opportunity of escaping the local extremum of the population. Using the 3-point shortest path method to maintain the diversity of solution groups. AOL-MOEA algorithm is compared with other five representative multi-objective optimization algorithms on 12 benchmark multi-objective test functions. The experimental results show that the proposed algorithm is convergent. Diversity and stability are superior to or partly superior to other comparison algorithms.
【作者單位】： 華東交通大學軟件學院;
【基金】：國家自然科學基金(61165004) 江西省自然科學基金(20114BAB201025) 江西省教育廳科技項目(GJJ12307,GJJ14373)資助
【分類號】：TP18

【相似文獻】

相關期刊論文 前10條

1 關志華;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

2 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

3 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

4 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

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

6 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

7 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

8 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

9 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

10 汪文彬;鐘聲;;基于改進擁擠距離的多目標進化算法[J];計算機工程;2009年09期

相關會議論文 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計方法研究[A];第四屆全國船舶與海洋工程學術會議論文集[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

相關碩士學位論文 前10條

1 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

2 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

3 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

4 李業(yè)興;基于外部集指引的自適應多目標進化算法的研究[D];南京航空航天大學;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：1996152