【摘要】：在實際工程領域存在許多復雜的動態(tài)多目標優(yōu)化問題,其目標函數(shù)、約束條件或定義域中至少有一個是隨時間變化的,所以,其最優(yōu)解也會隨著時間而變化。多族群PSO算法是采用多個子群并行搜索且子群是動態(tài)變化的一種求解多目標優(yōu)化問題的算法。該算法在求解靜態(tài)多目標優(yōu)化問題時是可行的,但是在求解動態(tài)多目標優(yōu)化問題時缺少對環(huán)境變化的檢測。因此,本文在多族群PSO算法的基礎上引入一種環(huán)境檢測算子,提出了一種改進型多族群PSO算法,并利用改進算法求解森林空間動態(tài)多目標優(yōu)化模型。本文主要研究內(nèi)容如下:1、提出了一種改進型多族群PSO算法,并對算法性能進行了測試。根據(jù)實際問題預設閾值θ,隨機選取當前粒子種群中20%個體,計算新適應度值與原適應度值的歐氏距離差的平均值作為環(huán)境檢測算子ε,通過比較ε和θ的大小判斷環(huán)境的變化。同時,研究分析和比較五種慣性權重下PSO算法的性能,選擇性能最好的一種慣性權重作為改進算法的慣性權重。然后利用四個典型動態(tài)多目標優(yōu)化問題測試改進算法的性能,并與基于改進的距離預測機制及自適應差分算子的動態(tài)多目標免疫優(yōu)化算法PDMIOA和基于動態(tài)粒子群算法的動態(tài)多目標優(yōu)化算法dDMS-MOPSO進行對比。試驗結果表明文中提出的改進算法在收斂性、分布性以及跟蹤性等性能上都優(yōu)于PDMIOA和dDMS-MOPSO算法。2、構建了森林空間結構動態(tài)多目標優(yōu)化模型。結合單木生長模型中林木生長隨時間的變化規(guī)律,從林分傳統(tǒng)結構、林分空間結構和林分垂直結構三個方面選取林木混交度、競爭指數(shù)、角尺度、林層指數(shù)、空間密度指數(shù)、開闊比數(shù)、大小比數(shù)、單株材積和健康指數(shù)為目標函數(shù),建立森林空間結構動態(tài)多目標優(yōu)化模型,并利用本文提出的改進型多族群PSO算法對該模型進行求解。3、森林空間結構動態(tài)多目標優(yōu)化模型的驗證。針對現(xiàn)實林分,以三年為一個林分調(diào)整周期,設置三個環(huán)境變量,以是否考慮林分調(diào)整對林分結構的影響為標準進行兩次實驗。首先對兩次實驗下模型的輸出結果進行分析,提出了相應的林分調(diào)整策略。然后通過對比調(diào)整前后林分的均質(zhì)性指數(shù)、混交度、競爭指數(shù)、健康度、空間密度指數(shù)以及開闊比等指標,發(fā)現(xiàn)兩次實驗下調(diào)整后的林分各方面的指標都優(yōu)于調(diào)整前的指標,林分結構明顯得到了改善。因此,本文所提出的森林空間結構動態(tài)多目標優(yōu)化模型是可靠的,可為日后智能林業(yè)的發(fā)展提供相應的技術支持。
[Abstract]:There are many complex dynamic multi-objective optimization problems in the field of practical engineering. At least one of the objective functions, constraints or domain is time-dependent, so the optimal solution will change with time. Multi-population PSO algorithm is a multi-objective optimization algorithm which uses multiple subgroups to search in parallel and the subgroup is dynamic. The algorithm is feasible in solving static multi-objective optimization problems, but it lacks the detection of environment change in solving dynamic multi-objective optimization problems. Therefore, based on the multi-population PSO algorithm, an environment detection operator is introduced, and an improved multi-population PSO algorithm is proposed, and the improved algorithm is used to solve the forest spatial dynamic multi-objective optimization model. The main contents of this paper are as follows: 1. An improved multi-population PSO algorithm is proposed and the performance of the algorithm is tested. According to the preset threshold 胃 of the actual problem, 20% individuals in the current particle population are randomly selected, and the average Euclidean distance difference between the new fitness value and the original fitness value is calculated as the environmental detection operator 蔚. The change of environment is judged by comparing the magnitude of 蔚 and 胃. At the same time, the paper analyzes and compares the performance of PSO algorithm under five inertial weights, and selects one of the best inertial weights as the inertial weight of the improved algorithm. Then four typical dynamic multi-objective optimization problems are used to test the performance of the improved algorithm. It is compared with the dynamic multi-objective immune optimization algorithm (PDMIOA) based on the improved distance prediction mechanism and the adaptive difference operator and the dynamic multi-objective optimization algorithm (dDMS-MOPSO) based on the dynamic particle swarm optimization (DPSO). The experimental results show that the proposed improved algorithm is superior to PDMIOA and dDMS-MOPSO in terms of convergence, distribution and tracking performance. 2. The dynamic multi-objective optimization model of forest spatial structure is constructed. According to the variation law of tree growth with time in single tree growth model, the mixed degree, competition index, angle scale, stand layer index and spatial density index were selected from three aspects: stand traditional structure, stand spatial structure and stand vertical structure. The open ratio, size ratio, volume per plant and health index are taken as objective functions to establish the dynamic multi-objective optimization model of forest spatial structure. The improved multi-population PSO algorithm proposed in this paper is used to solve the model. Verification of dynamic multiobjective optimization model of forest spatial structure. Three environmental variables were set up for a stand adjustment cycle of three years, and two experiments were carried out according to the criterion of whether to consider the influence of stand adjustment on stand structure. Firstly, the output results of the model are analyzed, and the corresponding stand adjustment strategies are proposed. Then, by comparing the indexes of evenness index, mixing degree, competition index, health degree, spatial density index and open ratio before and after adjustment, it was found that the indexes of all aspects of the adjusted stand after two experiments were better than the indexes before and after adjustment. The stand structure is obviously improved. Therefore, the dynamic multi-objective optimization model of forest spatial structure proposed in this paper is reliable and can provide corresponding technical support for the development of intelligent forestry in the future.
【學位授予單位】：中南林業(yè)科技大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP18

【相似文獻】

相關期刊論文 前10條

1 曹先彬,李金龍,王煦法;基于生態(tài)協(xié)同的多目標優(yōu)化研究(英文)[J];軟件學報;2001年04期

2 劉淳安;王宇平;;基于新模型的動態(tài)多目標優(yōu)化進化算法[J];計算機研究與發(fā)展;2008年04期

3 徐鶴鳴;王東;;多目標優(yōu)化問題的求解框架[J];微計算機信息;2009年36期

4 郭曉東;王麗芳;;求解多目標優(yōu)化問題的分布估計算法[J];太原科技大學學報;2010年01期

5 雍龍泉;;求解一類不可微多目標優(yōu)化問題的社會認知算法[J];計算機應用研究;2010年11期

6 郭思涵;龔小勝;;正交設計的E占優(yōu)策略求解高維多目標優(yōu)化問題研究[J];計算機科學;2012年02期

7 蓋玉權;何昱;張宇燕;吳憲彬;萬海同;;復方藥物劑量配比多目標優(yōu)化的方法學研究[J];微型機與應用;2012年07期

8 王杰文;;約束多目標優(yōu)化問題中約束處理方法綜述[J];現(xiàn)代計算機(專業(yè)版);2012年36期

9 賈利民,張錫第;智能多目標優(yōu)化控制及其應用[J];信息與控制;1992年01期

10 周學建;師清翔;朱永寧;;模糊相似優(yōu)先比在清選系統(tǒng)多目標優(yōu)化中的應用[J];洛陽工學院學報;1993年02期

相關會議論文 前10條

1 張翔;;一種無歧義性的多目標優(yōu)化數(shù)值解法[A];中國農(nóng)業(yè)機械學會成立40周年慶典暨2003年學術年會論文集[C];2003年

2 羅亞中;;航天器軌跡多目標優(yōu)化研究評述[A];The 5th 全國動力學與控制青年學者研討會論文摘要集[C];2011年

3 耿玉磊;張翔;;多目標優(yōu)化的求解方法與發(fā)展[A];福建省科協(xié)第四屆學術年會——提升福建制造業(yè)競爭力的戰(zhàn)略思考專題學術年會論文集[C];2004年

4 耿玉磊;張翔;;多目標優(yōu)化的求解方法與發(fā)展[A];福建省科協(xié)第四屆學術年會提升福建制造業(yè)競爭力的戰(zhàn)略思考專題學術年會論文集[C];2004年

5 程鵬;唐雁;鄒顯春;;約束多目標優(yōu)化試驗函數(shù)產(chǎn)生器[A];2008年計算機應用技術交流會論文集[C];2008年

6 賈小平;韓方煜;;多目標優(yōu)化及其在過程工程中的應用[A];過程系統(tǒng)工程2001年會論文集[C];2001年

7 邢志祥;;滅火救援力量調(diào)集的多目標優(yōu)化[A];第一屆全國安全科學理論研討會論文集[C];2007年

8 孫力;樊希山;姚平經(jīng);;化工過程多目標優(yōu)化適宜解的模糊確定[A];第二屆全國傳遞過程學術研討會論文集[C];2003年

9 李穎t;昝建明;周建文;;多目標形貌優(yōu)化方法研究[A];結構及多學科優(yōu)化工程應用與理論研討會’2009（CSMO-2009）論文集[C];2009年

10 許碧霞;李兆江;;基于循環(huán)經(jīng)濟的城市污水多目標優(yōu)化配置分析[A];中國地理學會2007年學術年會論文摘要集[C];2007年

相關博士學位論文 前10條

1 王晗丁;復雜問題的多目標進化優(yōu)化算法研究[D];西安電子科技大學;2015年

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

3 王超;裝載與車輛路徑聯(lián)合多目標優(yōu)化問題研究[D];大連理工大學;2016年

4 葉承晉;計算智能在電力系統(tǒng)多目標優(yōu)化中的應用研究[D];浙江大學;2015年

5 過曉芳;超多目標優(yōu)化問題的幾種進化算法研究[D];西安電子科技大學;2015年

6 左益;基于全局優(yōu)化和局部學習的進化多目標優(yōu)化算法[D];西安電子科技大學;2016年

7 盧芳;多目標優(yōu)化及隨機變分不等式問題的若干研究[D];重慶大學;2016年

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

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

10 陳瓊;演化多目標優(yōu)化多樣性保持策略及其應用研究[D];武漢理工大學;2010年

相關碩士學位論文 前10條

1 何素素;基于改進的粒子群算法的鉆進參數(shù)多目標優(yōu)化研究[D];西安石油大學;2015年

2 黃怡;基于藥效綜合評價的中藥組分配伍優(yōu)化方法研究[D];浙江大學;2015年

3 韓偉;基于混合智能算法在造紙廢水厭氧消化處理過程多目標優(yōu)化中的研究[D];華南理工大學;2015年

4 彭清風;基于魯棒性的船體中橫剖面多目標優(yōu)化[D];上海交通大學;2015年

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

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

7 高敏;基于協(xié)同論的風電建設項目多目標優(yōu)化模型研究[D];華北電力大學;2015年

8 劉培根;基于多目標優(yōu)化和壓縮感知的航拍目標檢測[D];電子科技大學;2015年

9 楊凱;基于多目標優(yōu)化的貴州工業(yè)結構調(diào)整研究[D];貴州師范大學;2015年

10 陳振興;基于空間擁擠控制策略的進化多目標優(yōu)化[D];福建師范大學;2015年

，

本文編號：2330646