工業(yè)生產(chǎn)和科學(xué)研究領(lǐng)域,存在許多動(dòng)態(tài)多目標(biāo)優(yōu)化問題,這類問題的目標(biāo)函數(shù)之間相互制約,同時(shí)目標(biāo)函數(shù),約束或者參數(shù)會(huì)隨著時(shí)間的變化而變化。這種隨時(shí)間不斷變化的特性,給解決動(dòng)態(tài)多目標(biāo)優(yōu)化問題帶來了挑戰(zhàn),算法不僅要求能夠追蹤到最優(yōu)解,同時(shí)還要求算法能夠快速響應(yīng)環(huán)境中的變化。進(jìn)化算法是一類啟發(fā)式的搜索算法,能夠同時(shí)優(yōu)化多個(gè)個(gè)體,目前已經(jīng)被廣泛應(yīng)用到動(dòng)態(tài)多目標(biāo)優(yōu)化問題的研究中。本文首先對進(jìn)化動(dòng)態(tài)多目標(biāo)優(yōu)化算法的研究現(xiàn)狀進(jìn)行綜述,針對動(dòng)態(tài)多目標(biāo)優(yōu)化的難點(diǎn),提出了三種改進(jìn)動(dòng)態(tài)多目標(biāo)優(yōu)化算法。具體內(nèi)容如下:1.提出了一種基于特殊點(diǎn)的混合預(yù)測機(jī)制（SHPS）。首先,針對PPS前期無法實(shí)現(xiàn)有效的變化應(yīng)答這一問題,提出在變化初期尚無有效歷史信息時(shí)采用PRE&VAR響應(yīng)環(huán)境變化。其次,由于PPS利用中心點(diǎn)和流形進(jìn)行來預(yù)測新時(shí)刻的初始種群,一旦歷史信息不夠準(zhǔn)確,預(yù)測到的種群會(huì)偏離可能的搜索區(qū)域,導(dǎo)致算法的穩(wěn)定性較差,對于這一問題,我們引入了特殊點(diǎn)的預(yù)測,有效避免整個(gè)初始種群都偏離新環(huán)境的可能搜索區(qū)域的情況。將提出的SHPS引入到基于分解的MOEA/D-DE算法上實(shí)現(xiàn)動(dòng)態(tài)多目標(biāo)優(yōu)化問題的求解。通過實(shí)驗(yàn)對比發(fā)... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：89 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 課題背景及研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 多目標(biāo)優(yōu)化的研究現(xiàn)狀
        1.2.2 動(dòng)態(tài)多目標(biāo)優(yōu)化的研究現(xiàn)狀
    1.3 本論文結(jié)構(gòu)安排
第二章 相關(guān)背景
    2.1 引言
    2.2 相關(guān)理論背景
        2.2.1 多目標(biāo)優(yōu)化問題
        2.2.2 動(dòng)態(tài)多目標(biāo)優(yōu)化問題
    2.3 MOEA/D-DE介紹
        2.3.1 分解機(jī)制
        2.3.2 權(quán)向量設(shè)計(jì)
        2.3.3 權(quán)向量的鄰域
        2.3.4 MOEA/D-DE算法流程
    2.4 預(yù)測機(jī)制
        2.4.1 VAR預(yù)測機(jī)制
        2.4.2 PRE預(yù)測機(jī)制
        2.4.3 PRE&VAR預(yù)測機(jī)制
        2.4.4 PPS預(yù)測機(jī)制
    2.5 本章小結(jié)
第三章 基于特殊點(diǎn)的混合預(yù)測機(jī)制的動(dòng)態(tài)多目標(biāo)優(yōu)化算法
    3.1 引言
    3.2 特殊點(diǎn)
        3.2.1 邊界點(diǎn)
        3.2.2 CTI
        3.2.3 拐點(diǎn)
    3.3 基于特殊點(diǎn)的混合預(yù)測機(jī)制
        3.3.1 變化檢測機(jī)制
        3.3.2 基于特殊點(diǎn)的混合預(yù)測機(jī)制
        3.3.3 算法流程
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 測試函數(shù)
        3.4.2 性能指標(biāo)
        3.4.3 實(shí)驗(yàn)參數(shù)設(shè)置
        3.4.4 與其他算法進(jìn)行比較
        3.4.5 不同預(yù)測機(jī)制的比較
    3.5 本章小結(jié)
第四章 基于多樣性引入的混合預(yù)測機(jī)制的動(dòng)態(tài)多目標(biāo)優(yōu)化算法
    4.1 引言
    4.2 基于多樣性引入的混合預(yù)測機(jī)制
        4.2.1 改進(jìn)的MOEA/D
        4.2.2 改進(jìn)的變化檢測機(jī)制
        4.2.3 多樣性引入機(jī)制
        4.2.4 算法流程
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 與其他算法進(jìn)行比較
        4.3.2 不同的預(yù)測機(jī)制的比較
    4.4 本章小結(jié)
第五章 基于記憶策略的混合預(yù)測機(jī)制的動(dòng)態(tài)多目標(biāo)優(yōu)化算法
    5.1 引言
    5.2 基于記憶策略的混合預(yù)測機(jī)制
        5.2.1 記憶策略
        5.2.2 算法流程
    5.3 實(shí)驗(yàn)結(jié)果與分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 進(jìn)一步工作
參考文獻(xiàn)
致謝
作者簡介


【參考文獻(xiàn)】：
期刊論文
[1]進(jìn)化多目標(biāo)優(yōu)化算法研究[J]. 公茂果,焦李成,楊咚咚,馬文萍.  軟件學(xué)報(bào). 2009(02)



本文編號：3037532