本文選題：檔案精英學(xué)習(xí) + 動(dòng)態(tài)一般反向?qū)W習(xí)��； 參考：《計(jì)算機(jī)學(xué)報(bào)》2017年03期

【摘要】：現(xiàn)實(shí)中的多目標(biāo)優(yōu)化問(wèn)題日益復(fù)雜,對(duì)多目標(biāo)優(yōu)化算法提出了新的挑戰(zhàn).受混合多目標(biāo)優(yōu)化算法的啟發(fā),該文提出了一種應(yīng)用檔案精英學(xué)習(xí)和反向?qū)W習(xí)的多目標(biāo)進(jìn)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(biāo)優(yōu)化問(wèn)題.AOLMOEA算法利用檔案精英學(xué)習(xí)算子增強(qiáng)算法全局搜索能力,促進(jìn)算法較快收斂;運(yùn)用動(dòng)態(tài)一般反向?qū)W習(xí)機(jī)制代替變異算子以增加種群逃逸局部極值的機(jī)會(huì);使用3-點(diǎn)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(biāo)優(yōu)化算法在12個(gè)基準(zhǔn)多目標(biāo)測(cè)試函數(shù)上進(jìn)行性能比較,實(shí)驗(yàn)結(jié)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(duì)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(xué)軟件學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(61165004) 江西省自然科學(xué)基金(20114BAB201025) 江西省教育廳科技項(xiàng)目(GJJ12307,GJJ14373)資助
【分類(lèi)號(hào)】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 關(guān)志華;多目標(biāo)進(jìn)化算法研究初步[J];石家莊經(jīng)濟(jì)學(xué)院學(xué)報(bào);2002年02期

2 張勇德,黃莎白;一種改進(jìn)的基于約束支配的多目標(biāo)進(jìn)化算法[J];計(jì)算機(jī)工程;2004年16期

3 雷德明,吳智銘;基于個(gè)體密集距離的多目標(biāo)進(jìn)化算法[J];計(jì)算機(jī)學(xué)報(bào);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(biāo)進(jìn)化算法[J];計(jì)算機(jī)工程與應(yīng)用;2005年36期

5 馬清亮;胡昌華;;多目標(biāo)進(jìn)化算法及其在控制領(lǐng)域中的應(yīng)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(biāo)進(jìn)化算法研究[J];計(jì)算機(jī)工程與應(yīng)用;2007年13期

7 林丹;丑英哲;李敏強(qiáng);;求解多目標(biāo)二層規(guī)劃的多目標(biāo)進(jìn)化算法[J];系統(tǒng)工程學(xué)報(bào);2007年02期

8 鄭向偉;劉弘;;多目標(biāo)進(jìn)化算法研究進(jìn)展[J];計(jì)算機(jī)科學(xué);2007年07期

9 李密青;鄭金華;羅彪;伍軍;文詩(shī)華;;一種基于鄰域的多目標(biāo)進(jìn)化算法[J];計(jì)算機(jī)應(yīng)用;2008年06期

10 汪文彬;鐘聲;;基于改進(jìn)擁擠距離的多目標(biāo)進(jìn)化算法[J];計(jì)算機(jī)工程;2009年09期

相關(guān)會(huì)議論文 前2條

1 孫海濤;熊鷹;韓峰;;基于多目標(biāo)進(jìn)化算法的艦船概念設(shè)計(jì)方法研究[A];第四屆全國(guó)船舶與海洋工程學(xué)術(shù)會(huì)議論文集[C];2009年

2 崔遜學(xué);;多目標(biāo)進(jìn)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)博士學(xué)位論文 前10條

1 豐志偉;多目標(biāo)進(jìn)化算法研究及在飛行器動(dòng)力學(xué)系統(tǒng)中的應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

2 代才;基于分解的多目標(biāo)進(jìn)化算法研究[D];西安電子科技大學(xué);2014年

3 申瑞珉;高維多目標(biāo)進(jìn)化算法及其軟件平臺(tái)研究[D];湘潭大學(xué);2015年

4 袁源;基于分解的多目標(biāo)進(jìn)化算法及其應(yīng)用[D];清華大學(xué);2015年

5 孟紅云;多目標(biāo)進(jìn)化算法及其應(yīng)用研究[D];西安電子科技大學(xué);2005年

6 黃林峰;多目標(biāo)進(jìn)化算法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2009年

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

8 譚艷艷;幾種改進(jìn)的分解類(lèi)多目標(biāo)進(jìn)化算法及其應(yīng)用[D];西安電子科技大學(xué);2013年

9 張明明;面向量子可逆邏輯自動(dòng)綜合的多目標(biāo)進(jìn)化算法研究[D];東華大學(xué);2010年

10 劉立衡;多目標(biāo)進(jìn)化算法的研究及其在負(fù)荷分配中的應(yīng)用[D];華北電力大學(xué)（北京）;2010年

相關(guān)碩士學(xué)位論文 前10條

1 吳坤安;基于分散策略的多目標(biāo)進(jìn)化算法研究[D];福建師范大學(xué);2015年

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

3 喻果;基于分解的偏好多目標(biāo)進(jìn)化算法及其評(píng)價(jià)指標(biāo)的研究[D];湘潭大學(xué);2015年

4 李業(yè)興;基于外部集指引的自適應(yīng)多目標(biāo)進(jìn)化算法的研究[D];南京航空航天大學(xué);2015年

5 季洪霄;動(dòng)態(tài)約束多目標(biāo)進(jìn)化算法的研究與應(yīng)用[D];安徽理工大學(xué);2016年

6 李達(dá)統(tǒng);基于MapReduce與Spark的分布式多目標(biāo)進(jìn)化算法的設(shè)計(jì)與實(shí)現(xiàn)[D];華南理工大學(xué);2016年

7 齊吉;基于聚類(lèi)的多目標(biāo)進(jìn)化算法及其在航跡規(guī)劃中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2016年

8 李輝健;多目標(biāo)進(jìn)化算法中新型非支配個(gè)體排序研究及應(yīng)用[D];南京信息工程大學(xué);2016年

9 楊志翔;基于分解排序的多目標(biāo)進(jìn)化算法的研究[D];南京航空航天大學(xué);2016年

10 朱錚;面向指標(biāo)和邊界選擇的高維多目標(biāo)進(jìn)化算法的研究[D];湘潭大學(xué);2016年

，

本文編號(hào)：1996152