大多數(shù)實際問題都存在一定程度的不確定性�；诜N群優(yōu)化的處理不確定性問題一般有兩種方法:一是獲取目標問題的魯棒解,使所得解的性能在不確定因素的影響下一直維持在可接受的水平。二是采用動態(tài)跟蹤的方法,即當外界條件發(fā)生變化時能迅速獲得新的最優(yōu)解。但這兩種方法均有不足,前者是基于不確定量很小的假設,而實際問題中卻可能有較大的不確定量,后者則要求算法能及時求得并切換到新的最優(yōu)解,而實際應用中算法卻往往不能迅速找到新的最優(yōu)解,而且頻繁的切換解在很多實際問題中很難做到。時域魯棒優(yōu)化（Robust optimization over time,ROOT）是綜合了以上兩種方法而提出的一種新的優(yōu)化方法。本文在此理論基礎上開展了如下研究:（1）針對現(xiàn)有時域魯棒優(yōu)化算法的評估指標均基于預測的適應度函數(shù)值,這影響了算法評估的準確性。為此,本文提出了三種新的基于真實適應度函數(shù)值的評價指標,并實驗驗證了所提指標的有效性。其中,指標“誤差（error）”可以定量地反映出算法所獲得解的魯棒性與真實解的魯棒性之間的誤差;指標“成功（success）”能直觀有效地判定出算法在每個動態(tài)環(huán)境中是否能成功地運行;指標“成功率（su... 

【文章來源】：東華大學上海市 211工程院校 教育部直屬院校

【文章頁數(shù)】：132 頁

【學位級別】：博士

【部分圖文】：

求解ROOT的算法框架

ROOT算法框架

含約束的ROOT算法流程圖

【參考文獻】：
期刊論文
[1]魯棒優(yōu)化研究綜述（英文）[J]. 于洪霞,金麗.  數(shù)學進展. 2016(03)
[2]一種動態(tài)環(huán)境下帶有記憶的三島粒子群算法[J]. 王洪峰,汪定偉.  系統(tǒng)工程學報. 2008(02)
[3]差分進化算法研究進展[J]. 劉波,王凌,金以慧.  控制與決策. 2007(07)
[4]多目標粒子群算法用于補料分批生化反應器動態(tài)多目標優(yōu)化[J]. 賀益君,俞歡軍,成飆,陳德釗.  化工學報. 2007(05)
[5]用于約束優(yōu)化的人工免疫響應進化策略[J]. 公茂果,焦李成,杜海峰,馬文萍.  計算機學報. 2007(01)
[6]一種基于動物自治體的尋優(yōu)模式:魚群算法[J]. 李曉磊,邵之江,錢積新.  系統(tǒng)工程理論與實踐. 2002(11)
[7]基于改進遺傳算法的時間最優(yōu)控制問題求解[J]. 曾進,任慶生.  控制與決策. 2002(01)

博士論文
[1]演化約束優(yōu)化及演化動態(tài)優(yōu)化求解算法研究[D]. 卜晨陽.中國科學技術大學 2017
[2]碳纖維紡絲過程的協(xié)同模型與智能優(yōu)化研究[D]. 陳佳佳.東華大學 2013
[3]演化動態(tài)優(yōu)化研究[D]. 喻歆.中國科學技術大學 2011
[4]不同編碼機制下動態(tài)優(yōu)化問題的進化計算方法研究及應用[D]. 閆楊.東北大學 2010
[5]約束優(yōu)化和多目標優(yōu)化的進化算法研究[D]. 張敏.中國科學技術大學 2008



本文編號：3144936