發(fā)布時(shí)間：2021-12-28 11:04

　　在現(xiàn)實(shí)工程問(wèn)題中,多目標(biāo)優(yōu)化問(wèn)題（MOPs）是一類(lèi)非常常見(jiàn)的優(yōu)化問(wèn)題。多目標(biāo)優(yōu)化問(wèn)題通常包含兩個(gè)或兩個(gè)以上相互沖突的目標(biāo)。近年來(lái),一系列針對(duì)不同類(lèi)型多目標(biāo)優(yōu)化問(wèn)題的多目標(biāo)智能優(yōu)化算法相繼提出。然而,對(duì)于一些具有復(fù)雜的Pareto最優(yōu)解集或最優(yōu)端面的復(fù)雜多目標(biāo)優(yōu)化問(wèn)題,它們的Pareto最優(yōu)端面不同部分具有不同的收斂難度或者逼近的困難。因此,這類(lèi)復(fù)雜多目標(biāo)優(yōu)化問(wèn)題能有效地檢驗(yàn)多目標(biāo)智能算法的種群多樣性和收斂性。然而,絕大部分多目標(biāo)智能優(yōu)化算法在處理這類(lèi)問(wèn)題時(shí),很難獲得一個(gè)種群,使得種群中的個(gè)體能夠完整地、均勻地分布在Pareto最優(yōu)端面上。為了更好地解決這類(lèi)具有復(fù)雜的Pareto最優(yōu)解集或者端面的復(fù)雜多目標(biāo)優(yōu)化問(wèn)題,本文提出了一系列工作,具體如下:1、提出了一種基于分解的克隆選擇策略的多目標(biāo)免疫算法（MOIA-DCSS）。首先,使用分解方法將種群中每個(gè)個(gè)體與其對(duì)應(yīng)的子問(wèn)題進(jìn)行一一關(guān)聯(lián)。通過(guò)這種方法,能夠很好地對(duì)每個(gè)子問(wèn)題的提升度進(jìn)行量化。然后,在算法MOIA-DCSS中設(shè)計(jì)了一種新的基于分解的克隆選擇策略。根據(jù)基于分解的克隆策略,更多的克隆個(gè)體將被分配給種群中相對(duì)提升值較大的個(gè)體。此外,... 

【文章來(lái)源】：深圳大學(xué)廣東省

【文章頁(yè)數(shù)】：102 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 多目標(biāo)進(jìn)化算法(MOEAs)近期研究成果
        1.2.2 多目標(biāo)粒子群優(yōu)化算法(MOPSOs)近期研究成果
        1.2.3 多目標(biāo)免疫算法(MOIAs)近期研究成果
    1.3 本文的主要研究?jī)?nèi)容與結(jié)構(gòu)安排
第2章 多目標(biāo)優(yōu)化算法的相關(guān)基本理論
    2.1 多目標(biāo)優(yōu)化問(wèn)題的定義與介紹
    2.2 多目標(biāo)智能優(yōu)化算法操作算子介紹
    2.3 多目標(biāo)智能優(yōu)化算法性能評(píng)價(jià)指標(biāo)介紹
    2.4 基于擁擠度距離的克隆選擇機(jī)制
    2.5 傳統(tǒng)粒子群優(yōu)化算法速度更新策略
    2.6 MOEA/D中三種常見(jiàn)的分解方法
    2.7 本章小結(jié)
第3章 基于分解的克隆選擇策略的多目標(biāo)免疫算法
    3.1 免疫算法的研究現(xiàn)狀及其解決復(fù)雜多目標(biāo)優(yōu)化問(wèn)題的缺陷
    3.2 基于分解的克隆選擇策略的多目標(biāo)免疫算法
        3.2.1 MOIA-DCSS算法流程、框架
        3.2.2 基于分解的克隆選擇策略
        3.2.3 MOIA-DCSS種群更新策略
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 與進(jìn)化算法的實(shí)驗(yàn)結(jié)果對(duì)比與分析
        3.3.2 與免疫算法的實(shí)驗(yàn)結(jié)果對(duì)比與分析
        3.3.3 基于Friedman數(shù)據(jù)統(tǒng)計(jì)方法分析算法性能
        3.3.4 DCSS策略有效性地分析
        3.3.5 算法在解決現(xiàn)實(shí)車(chē)輛側(cè)面撞擊問(wèn)題上的實(shí)驗(yàn)結(jié)果分析
    3.4 本章小結(jié)
第4章 基于動(dòng)態(tài)資源分配策略的混合多目標(biāo)粒子群優(yōu)化算法
    4.1 粒子群優(yōu)化算法的研究現(xiàn)狀及其解決多目標(biāo)優(yōu)化問(wèn)題的缺陷
    4.2 基于動(dòng)態(tài)資源分配策略的混合多目標(biāo)粒子群優(yōu)化算法HMOPSO-ARA
        4.2.1 HMOPSO-ARA算法流程及其算法框架
        4.2.2 動(dòng)態(tài)資源分配策略
        4.2.3 粒子群速度更新策略
        4.2.4 外部存檔進(jìn)化、更新過(guò)程
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 與進(jìn)化算法的實(shí)驗(yàn)結(jié)果對(duì)比與分析
        4.3.2 與粒子群算法的實(shí)驗(yàn)結(jié)果對(duì)比與分析
        4.3.3 動(dòng)態(tài)資源分配策略的有效性分析
        4.3.4 算法HMOPSO-ARA時(shí)間復(fù)雜度的分析
    4.4 本章小結(jié)
第5章 基于自適應(yīng)分解選擇策略的多目標(biāo)進(jìn)化算法
    5.1 基于分解MOEAs的研究現(xiàn)狀及其解決多目標(biāo)優(yōu)化問(wèn)題的缺陷
    5.2 基于自適應(yīng)分解選擇策略的多目標(biāo)進(jìn)化算法
        5.2.1 算法MOEA/D-SDSS的基本框架
        5.2.2 自適應(yīng)分解選擇策略SDSS
    5.3 實(shí)驗(yàn)結(jié)果與分析
        5.3.1 算法MOEA/D-SDSS與基于分解的MOEAs的實(shí)驗(yàn)對(duì)比分析
        5.3.2 基于Friedman測(cè)試的算法性能分析
        5.3.3 關(guān)于算法MOEA/D-SDSS有效性地探討與分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
指導(dǎo)教師對(duì)研究生學(xué)位論文的學(xué)術(shù)評(píng)語(yǔ)
學(xué)位論文答辯委員會(huì)決議書(shū)
致謝
攻讀碩士學(xué)位期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于退火粒子群的混合差分進(jìn)化算法研究[J]. 郭洋婷,李瑞陽(yáng).  電子世界. 2020(02)
[2]求解車(chē)輛路徑問(wèn)題的量子差分進(jìn)化算法[J]. 趙燕偉,蔣海青,張景玲.  浙江工業(yè)大學(xué)學(xué)報(bào). 2020(01)
[3]基于程序性細(xì)胞死亡進(jìn)化算法的路徑規(guī)劃[J]. 張曉,劉作軍,陳玲玲,楊鵬.  控制工程. 2019(11)
[4]基于IGD+S指標(biāo)的高維多目標(biāo)進(jìn)化算法[J]. 黎明,段茹茹,陳昊,謝惠華.  模式識(shí)別與人工智能. 2019(09)
[5]Lebesgue測(cè)度的建立方法[J]. 閆峰,史文河.  邯鄲職業(yè)技術(shù)學(xué)院學(xué)報(bào). 2002(02)

碩士論文
[1]基于進(jìn)化算法的船舶氣象航線優(yōu)化[D]. 周照.蘭州大學(xué) 2019
[2]免疫多目標(biāo)進(jìn)化算法的研究與應(yīng)用[D]. 呂文鵬.安徽理工大學(xué) 2019
[3]多目標(biāo)粒子群算法的改進(jìn)研究[D]. 徐練淞.西華師范大學(xué) 2019



本文編號(hào)：3553946