【摘要】：在實(shí)際工程領(lǐng)域存在許多復(fù)雜的動態(tài)多目標(biāo)優(yōu)化問題,其目標(biāo)函數(shù)、約束條件或定義域中至少有一個(gè)是隨時(shí)間變化的,所以,其最優(yōu)解也會隨著時(shí)間而變化。多族群PSO算法是采用多個(gè)子群并行搜索且子群是動態(tài)變化的一種求解多目標(biāo)優(yōu)化問題的算法。該算法在求解靜態(tài)多目標(biāo)優(yōu)化問題時(shí)是可行的,但是在求解動態(tài)多目標(biāo)優(yōu)化問題時(shí)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(chǔ)上引入一種環(huán)境檢測算子,提出了一種改進(jìn)型多族群PSO算法,并利用改進(jìn)算法求解森林空間動態(tài)多目標(biāo)優(yōu)化模型。本文主要研究內(nèi)容如下:1、提出了一種改進(jìn)型多族群PSO算法,并對算法性能進(jìn)行了測試。根據(jù)實(shí)際問題預(yù)設(shè)閾值θ,隨機(jī)選取當(dāng)前粒子種群中20%個(gè)體,計(jì)算新適應(yīng)度值與原適應(yīng)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(shí),研究分析和比較五種慣性權(quán)重下PSO算法的性能,選擇性能最好的一種慣性權(quán)重作為改進(jìn)算法的慣性權(quán)重。然后利用四個(gè)典型動態(tài)多目標(biāo)優(yōu)化問題測試改進(jìn)算法的性能,并與基于改進(jìn)的距離預(yù)測機(jī)制及自適應(yīng)差分算子的動態(tài)多目標(biāo)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(biāo)優(yōu)化算法dDMS-MOPSO進(jìn)行對比。試驗(yàn)結(jié)果表明文中提出的改進(jìn)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(gòu)建了森林空間結(jié)構(gòu)動態(tài)多目標(biāo)優(yōu)化模型。結(jié)合單木生長模型中林木生長隨時(shí)間的變化規(guī)律,從林分傳統(tǒng)結(jié)構(gòu)、林分空間結(jié)構(gòu)和林分垂直結(jié)構(gòu)三個(gè)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(biāo)函數(shù),建立森林空間結(jié)構(gòu)動態(tài)多目標(biāo)優(yōu)化模型,并利用本文提出的改進(jìn)型多族群PSO算法對該模型進(jìn)行求解。3、森林空間結(jié)構(gòu)動態(tài)多目標(biāo)優(yōu)化模型的驗(yàn)證。針對現(xiàn)實(shí)林分,以三年為一個(gè)林分調(diào)整周期,設(shè)置三個(gè)環(huán)境變量,以是否考慮林分調(diào)整對林分結(jié)構(gòu)的影響為標(biāo)準(zhǔn)進(jìn)行兩次實(shí)驗(yàn)。首先對兩次實(shí)驗(yàn)下模型的輸出結(jié)果進(jìn)行分析,提出了相應(yīng)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(biāo),發(fā)現(xiàn)兩次實(shí)驗(yàn)下調(diào)整后的林分各方面的指標(biāo)都優(yōu)于調(diào)整前的指標(biāo),林分結(jié)構(gòu)明顯得到了改善。因此,本文所提出的森林空間結(jié)構(gòu)動態(tài)多目標(biāo)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(yīng)的技術(shù)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(xué)位授予單位】：中南林業(yè)科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP18

【相似文獻(xiàn)】

相關(guān)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(biāo)優(yōu)化研究(英文)[J];軟件學(xué)報(bào);2001年04期

2 劉淳安;王宇平;;基于新模型的動態(tài)多目標(biāo)優(yōu)化進(jìn)化算法[J];計(jì)算機(jī)研究與發(fā)展;2008年04期

3 徐鶴鳴;王東;;多目標(biāo)優(yōu)化問題的求解框架[J];微計(jì)算機(jī)信息;2009年36期

4 郭曉東;王麗芳;;求解多目標(biāo)優(yōu)化問題的分布估計(jì)算法[J];太原科技大學(xué)學(xué)報(bào);2010年01期

5 雍龍泉;;求解一類不可微多目標(biāo)優(yōu)化問題的社會認(rèn)知算法[J];計(jì)算機(jī)應(yīng)用研究;2010年11期

6 郭思涵;龔小勝;;正交設(shè)計(jì)的E占優(yōu)策略求解高維多目標(biāo)優(yōu)化問題研究[J];計(jì)算機(jī)科學(xué);2012年02期

7 蓋玉權(quán);何昱;張宇燕;吳憲彬;萬海同;;復(fù)方藥物劑量配比多目標(biāo)優(yōu)化的方法學(xué)研究[J];微型機(jī)與應(yīng)用;2012年07期

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

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

10 周學(xué)建;師清翔;朱永寧;;模糊相似優(yōu)先比在清選系統(tǒng)多目標(biāo)優(yōu)化中的應(yīng)用[J];洛陽工學(xué)院學(xué)報(bào);1993年02期

相關(guān)會議論文 前10條

1 張翔;;一種無歧義性的多目標(biāo)優(yōu)化數(shù)值解法[A];中國農(nóng)業(yè)機(jī)械學(xué)會成立40周年慶典暨2003年學(xué)術(shù)年會論文集[C];2003年

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

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

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

5 程鵬;唐雁;鄒顯春;;約束多目標(biāo)優(yōu)化試驗(yàn)函數(shù)產(chǎn)生器[A];2008年計(jì)算機(jī)應(yīng)用技術(shù)交流會論文集[C];2008年

6 賈小平;韓方煜;;多目標(biāo)優(yōu)化及其在過程工程中的應(yīng)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(biāo)優(yōu)化[A];第一屆全國安全科學(xué)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(biāo)優(yōu)化適宜解的模糊確定[A];第二屆全國傳遞過程學(xué)術(shù)研討會論文集[C];2003年

9 李穎t;昝建明;周建文;;多目標(biāo)形貌優(yōu)化方法研究[A];結(jié)構(gòu)及多學(xué)科優(yōu)化工程應(yīng)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(jì)的城市污水多目標(biāo)優(yōu)化配置分析[A];中國地理學(xué)會2007年學(xué)術(shù)年會論文摘要集[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 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

2 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

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

4 葉承晉;計(jì)算智能在電力系統(tǒng)多目標(biāo)優(yōu)化中的應(yīng)用研究[D];浙江大學(xué);2015年

5 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

6 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

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

8 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

9 蔣慶;地下水時(shí)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

10 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

相關(guān)碩士學(xué)位論文 前10條

1 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

2 黃怡;基于藥效綜合評價(jià)的中藥組分配伍優(yōu)化方法研究[D];浙江大學(xué);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(biāo)優(yōu)化中的研究[D];華南理工大學(xué);2015年

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

5 崔華;面向個(gè)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

6 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

7 高敏;基于協(xié)同論的風(fēng)電建設(shè)項(xiàng)目多目標(biāo)優(yōu)化模型研究[D];華北電力大學(xué);2015年

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

9 楊凱;基于多目標(biāo)優(yōu)化的貴州工業(yè)結(jié)構(gòu)調(diào)整研究[D];貴州師范大學(xué);2015年

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

，

本文編號：2330646