學(xué)術(shù)研究和工業(yè)應(yīng)用領(lǐng)域存在許多具有大規(guī)模、非線性、超多目標(biāo)等特征的優(yōu)化問題。由于傳統(tǒng)優(yōu)化方法不能較好的解決這類復(fù)雜優(yōu)化問題,因此啟發(fā)式優(yōu)化方法受到了研究者們的廣泛關(guān)注,演化算法是這類方法中優(yōu)化效果最好的方法之一。演化算法主要由解表示、種群初始化、停機(jī)條件、后代產(chǎn)生、選擇等五個(gè)部分組成,并具有基于種群的搜索策略、隨機(jī)搜索策略和目標(biāo)函數(shù)驅(qū)動(dòng)等三個(gè)特點(diǎn)。演化算法已成功應(yīng)用于解決多種復(fù)雜優(yōu)化問題,然而算法也因一些缺點(diǎn)而被詬病,例如:解的不確定性、搜索效率低等。演化算法中,很多評(píng)估過的解會(huì)因?yàn)橘|(zhì)量差而被直接丟棄,這是導(dǎo)致搜索效率低的原因之一。為了解決這個(gè)問題,本論文關(guān)注在演化算法的后代產(chǎn)生過程中得到高質(zhì)量的解。為此,本論文提出了一個(gè)基于分類的預(yù)選擇策略,并針對(duì)這一策略進(jìn)行了系統(tǒng)的研究。論文的主要工作包括:第一,提出了基于二分類的預(yù)選擇策略,這一概念性策略。該策略的主要思想是將預(yù)選擇過程作為二分類問題來處理,首先,進(jìn)行樣本定義,根據(jù)樣本定義策略,將當(dāng)前種群中的解分類“好”和“差”兩類;之后,構(gòu)建模型,使用定義的樣本數(shù)據(jù)構(gòu)建分類模型;最后,后代標(biāo)記與選擇,通過構(gòu)建的模型標(biāo)記產(chǎn)生的候選后代解,并選出其中標(biāo)記為“好”的解作為后代解,進(jìn)行后續(xù)的優(yōu)化過程。實(shí)驗(yàn)結(jié)果表明,提出的策略能夠顯著提升算法效率。第二,為了提高概念策略的效率,提出了兩個(gè)基于分類的預(yù)選擇策略的改進(jìn)策略。第一個(gè)是基于單分類的預(yù)選擇策略,該策略的主要思想是在樣本定義過程中,將當(dāng)前種群中的解均定義為“好”解,并運(yùn)用這些解來構(gòu)建單分類模型。第二個(gè)是基于模糊分類的預(yù)選擇策略,該策略的主要思想是在后代標(biāo)記與選擇過程中,使用隸屬度函數(shù)對(duì)候選后代解進(jìn)行標(biāo)記,并根據(jù)隸屬度選擇出“好”的后代解進(jìn)行后續(xù)的優(yōu)化過程。實(shí)驗(yàn)結(jié)果表明,兩個(gè)策略能夠有效提升概念策略的效率。第三,將預(yù)選擇中的研究工作進(jìn)行了兩個(gè)方向的拓展。第一個(gè)是將基于分類的預(yù)選擇策略應(yīng)用在多目標(biāo)優(yōu)化中,該策略的主要思想是在樣本定義過程中,將非支配解和支配解分別定義為“好”解和“差”解,并運(yùn)用這些解來構(gòu)建分類模型。實(shí)驗(yàn)結(jié)果表明,基于分類的預(yù)選擇策略能顯著提升三類多目標(biāo)演化算法的效率。第二個(gè)是將基于分類的預(yù)選擇拓展到基于分類的環(huán)境選擇,與后代產(chǎn)生算子一樣,環(huán)境選擇是演化算法中另一個(gè)主要過程,該策略的主要思想是在不評(píng)估解的函數(shù)適應(yīng)值的情況下,使用分類模型從父代種群和后代種群中選出“好”解組成新的種群,進(jìn)而進(jìn)行后續(xù)的優(yōu)化過程。
【學(xué)位單位】：華東師范大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2018
【中圖分類】：TP18
【部分圖文】：

1e+01 1(e) 51e+02 1e+01 1 000.20.40.60.81(f) 61e+03 1e+02(h) 81e+02 1e+01 1012345678910x 104(i) 91e 01 1e 02(k) 111 1e 01 1e 0200.20.40.60.811.21.41.61.82x 104(l) 12
【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 Yi ZHOU;Fazhi HE;Yimin QIU;;Dynamic strategy based parallel ant colony optimization on GPUs for TSPs[J];Science China(Information Sciences);2017年06期

2 Ying Zhang;Rennong Yang;Jialiang Zuo;Xiaoning Jing;;Enhancing MOEA/D with uniform population initialization,weight vector design and adjustment using uniform design[J];Journal of Systems Engineering and Electronics;2015年05期

3 陸曉芬;唐珂;;Classification- and Regression-Assisted Differential Evolution for Computationally Expensive Problems[J];Journal of Computer Science & Technology;2012年05期

本文編號(hào)：2853753