發(fā)布時(shí)間：2023-05-13 19:59

　　最優(yōu)化問題在現(xiàn)實(shí)世界中普遍存在,目前對(duì)于一般的單目標(biāo)和多目標(biāo)的最優(yōu)化問題的研究已經(jīng)有了很多成熟的算法。但是在動(dòng)態(tài)多目標(biāo)優(yōu)化和多任務(wù)優(yōu)化等復(fù)雜問題上還存在著很大的發(fā)展空間。對(duì)于動(dòng)態(tài)多目標(biāo)優(yōu)化問題,本文提出了基于流形的遷移動(dòng)態(tài)多目標(biāo)優(yōu)化算法MT-DMOEA。MT-DMOEA的創(chuàng)新點(diǎn)有兩個(gè)方面:其一是將基于流形的遷移學(xué)習(xí)方法與基于流形的多目標(biāo)優(yōu)化算法進(jìn)行了深度的融合,其中遷移學(xué)習(xí)方法用于預(yù)測新時(shí)刻初始種群,而多目標(biāo)優(yōu)化算法用于求解新時(shí)刻下的多目標(biāo)優(yōu)化問題;其二是使用了一個(gè)新的記憶機(jī)制,它將前幾代的最優(yōu)解都記錄到外部存儲(chǔ)空間中,同樣用于預(yù)測新時(shí)刻的初始種群。MT-DMOEA將兩種方法預(yù)測得到的初始種群進(jìn)行合并,然后在該初始種群的基礎(chǔ)上使用多目標(biāo)優(yōu)化方法對(duì)新時(shí)刻下的問題進(jìn)行求解。通過實(shí)驗(yàn)證明MT-DMOEA與一些流行的動(dòng)態(tài)多目標(biāo)優(yōu)化算法相比,求出的最優(yōu)解具有更好的收斂性和多樣性。對(duì)于多任務(wù)優(yōu)化問題,本文提出了基于粒子群的單目標(biāo)多任務(wù)優(yōu)化算法MTOPS,和基于粒子群的多目標(biāo)多任務(wù)優(yōu)化算法MTOMOPS,分別用于解決單目標(biāo)的多任務(wù)優(yōu)化問題和多目標(biāo)的多任務(wù)優(yōu)化問題。MTOPS和MTOMOPS都是基于粒...

【文章頁數(shù)】：112 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
        1.1.1 單目標(biāo)優(yōu)化問題
        1.1.2 多目標(biāo)優(yōu)化問題
        1.1.3 優(yōu)化問題研究難點(diǎn)
    1.2 本文主要工作
    1.3 本文組織形式
第二章 基于流形的遷移動(dòng)態(tài)多目標(biāo)優(yōu)化算法
    2.1 動(dòng)態(tài)多目標(biāo)優(yōu)化問題概述
        2.1.1 動(dòng)態(tài)多目標(biāo)優(yōu)化問題簡介
        2.1.2 動(dòng)態(tài)多目標(biāo)優(yōu)化問題研究綜述
    2.2 基于遷移學(xué)習(xí)的動(dòng)態(tài)多目標(biāo)優(yōu)化算法
        2.2.1 遷移成分分析
        2.2.2 Tr-DMOEA算法
    2.3 基于流形的遷移動(dòng)態(tài)多目標(biāo)優(yōu)化算法
        2.3.1 背景知識(shí):流形和基于流形的遷移學(xué)習(xí)算法
        2.3.2 背景知識(shí):基于流形的多目標(biāo)優(yōu)化算法
        2.3.3 提出的算法:MT-DMOEA
    2.4 實(shí)驗(yàn)及結(jié)果分析
        2.4.1 與SGEA對(duì)比
        2.4.2 結(jié)構(gòu)有效性驗(yàn)證實(shí)驗(yàn)
        2.4.3 與Tr-RM-MEDA對(duì)比
    2.5 本章小結(jié)
第三章 多任務(wù)優(yōu)化問題研究
    3.1 多任務(wù)優(yōu)化問題簡介
    3.2 單目標(biāo)的多任務(wù)優(yōu)化問題
        3.2.1 單目標(biāo)的多任務(wù)優(yōu)化問題范例:MFO
        3.2.2 單目標(biāo)的多任務(wù)優(yōu)化算法:MFEA
        3.2.3 單目標(biāo)的多任務(wù)優(yōu)化算法研究現(xiàn)狀
        3.2.4 單目標(biāo)的多任務(wù)粒子群優(yōu)化算法:MTOPS
        3.2.5 實(shí)驗(yàn)結(jié)果及分析
    3.3 多目標(biāo)的多任務(wù)優(yōu)化問題
        3.3.1 多目標(biāo)的多任務(wù)優(yōu)化問題范例:MO-MFO
        3.3.2 多目標(biāo)的多任務(wù)優(yōu)化算法:MO-MFEA
        3.3.3 多目標(biāo)的多任務(wù)優(yōu)化算法研究現(xiàn)狀
        3.3.4 多目標(biāo)的多任務(wù)粒子群優(yōu)化算法:MTOMOPS
        3.3.5 實(shí)驗(yàn)結(jié)果及分析
    3.4 本章小結(jié)
第四章 動(dòng)態(tài)多目標(biāo)的多任務(wù)優(yōu)化算法研究
    4.1 動(dòng)態(tài)多目標(biāo)的多任務(wù)優(yōu)化問題簡介
    4.2 基于遷移學(xué)習(xí)的動(dòng)態(tài)多目標(biāo)的多任務(wù)優(yōu)化算法
        4.2.1 背景知識(shí):結(jié)合全局和局部度量的遷移學(xué)習(xí)算法
        4.2.2 本文提出的算法:d-MTOMOPS
    4.3 實(shí)驗(yàn)結(jié)果分析
        4.3.1 測試函數(shù)
        4.3.2 實(shí)驗(yàn)結(jié)果
    4.4 本章小結(jié)
第五章 總結(jié)與展望
參考文獻(xiàn)
附錄A 動(dòng)態(tài)多目標(biāo)優(yōu)化標(biāo)準(zhǔn)測試函數(shù)
附錄B 結(jié)構(gòu)有效性驗(yàn)證實(shí)驗(yàn)結(jié)果
附錄C 多任務(wù)優(yōu)化標(biāo)準(zhǔn)測試函數(shù)
    C.1 單目標(biāo)的多任務(wù)優(yōu)化標(biāo)準(zhǔn)測試函數(shù)
    C.2 多目標(biāo)的多任務(wù)優(yōu)化標(biāo)準(zhǔn)測試函數(shù)
碩士期間發(fā)表論文
致謝



本文編號(hào)：3816418