在實際的生產(chǎn)與生活過程中常遇到需進行優(yōu)化的問題,且優(yōu)化的目標往往不止一個,目標間又互相沖突,這類問題稱為多目標優(yōu)化問題(Multi-objective Optimization Problems,MOPs),當優(yōu)化目標超過3個時,則稱為高維目標優(yōu)化問題。由于現(xiàn)實生活遇到的問題往往不僅是高維目標,同時也可能是高維決策,因此開展對高維特性下的MOPs研究具重要的意義。進化算法(Evolutionary Algorithms,EA)是處理MOPs的主要算法之一,擁有較強全局搜索能力,但當求解問題擴展至高維時,由于優(yōu)化難度上升、支配關(guān)系喪失等,大部分進化算法已無法確保求解高維優(yōu)化問題時的收斂性。而進化算子是進化算法的動力來源,以不同程度和速度引導(dǎo)種群進化,影響著種群的收斂性能。針對高維優(yōu)化問題中進化算子的收斂性能,提出了兩個新型進化算子,分別用于增強高維決策空間與高維目標空間下MOPs的收斂性能。兩個新型進化算子的具體工作如下:1.針對高維決策空間下的MOPs,提出了一種基于高維決策空間的收斂增強型進化算子。在新型進化算子中,設(shè)計兩種策略分別針對高維決策空間中收斂速度較慢與精度不足的問題;在基...

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 問題提出
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)
第二章 高維優(yōu)化問題的相關(guān)工作基礎(chǔ)
    2.1 基本概念和相關(guān)術(shù)語
        2.1.1 多目標優(yōu)化問題
        2.1.2 收斂性定義
        2.1.3 快速非支配排序
        2.1.4 CDAS支配域
    2.2 基于分解的多目標進化算法(MOEA/D)
    2.3 進化算子
        2.3.1 模擬二進制進化算子
        2.3.2 多重父代進化算子
        2.3.3 基于差分進化的進化算子
    2.4 測試函數(shù)集
    2.5 本章小結(jié)
第三章 基于高維決策空間的收斂增強型進化算子
    3.1 基于CDAS排序的收斂速度增強策略
        3.1.1 基于CDAS的非支配排序
        3.1.2 自適應(yīng)向量差生成策略
    3.2 基于高維決策信息挖掘的動態(tài)縮放因子策略
        3.2.1 基于主成分的動態(tài)縮放因子設(shè)計
        3.2.2 基于種群穩(wěn)態(tài)判定機制的啟動策略
    3.3 進化算子流程及分析
    3.4 實驗設(shè)計
        3.4.1 測試問題及對比算法
        3.4.2 實驗參數(shù)設(shè)置
        3.4.3 性能指標
    3.5 實驗結(jié)果與分析
    3.6 本章小結(jié)
第四章 基于高維目標空間收斂性策略的進化算子
    4.1 基于高維目標空間的LLE降維策略
        4.1.1 局部線性嵌入算法
        4.1.2 基于LLE算法的分層策略
        4.1.3 策略可行性驗證
    4.2 基于個體收斂差別的差分進化策略
        4.2.1 種群進化階段歸類策略
        4.2.2 差分進化策略
    4.3 進化算子流程及分析
    4.4 實驗設(shè)計
        4.4.1 測試問題及對比算法
        4.4.2 實驗參數(shù)設(shè)置
        4.4.3 性能指標
    4.5 實驗結(jié)果與分析
    4.6 本章小結(jié)
第五章 多目標0-1背包問題求解應(yīng)用
    5.1 多目標0-1背包問題
    5.2 實驗設(shè)計
        5.2.1 約束處理
        5.2.2 決策變量編碼
        5.2.3 實驗設(shè)置
    5.3 實驗結(jié)果與分析
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 下一步工作與展望
致謝
參考文獻
作者簡介
附錄



本文編號：3741147