傳統(tǒng)優(yōu)化方法在求解具有高度復(fù)雜性、非凸性、多極值等特征的優(yōu)化問題時(shí),往往表現(xiàn)出較大的局限性,而進(jìn)化算法(Evolutionary Algorithm,EA)是一種基于達(dá)爾文進(jìn)化理論構(gòu)造的基于種群的隨機(jī)搜索算法,具有良好的魯棒性和普適性,能有效的求解傳統(tǒng)數(shù)學(xué)優(yōu)化方法難以解決的問題。其中,多目標(biāo)進(jìn)化算法(Algorithmry Evolutiona objective-Multi,MOEA)更備受關(guān)注,它能夠?qū)?fù)雜的、包含多個(gè)目標(biāo)的優(yōu)化問題進(jìn)行求解,并已成為智能計(jì)算領(lǐng)域的熱點(diǎn)研究方向之一�；诜纸獾亩嗄繕�(biāo)進(jìn)化算(Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)是一種將一個(gè)多目標(biāo)優(yōu)化問題分解為多個(gè)單目標(biāo)子問題進(jìn)行求解的算法框架。從精英個(gè)體篩選機(jī)制的角度而言,其有別于基于Pareto最優(yōu)理論的算法(如NSGA-II)以及基于性能指標(biāo)評(píng)價(jià)的其他算法(如IBEAs)。由于每個(gè)子問題實(shí)質(zhì)上是一個(gè)標(biāo)量函數(shù),評(píng)價(jià)個(gè)體的優(yōu)劣實(shí)際上變成了對(duì)個(gè)體的適應(yīng)度函數(shù)值的直接比較,從而簡(jiǎn)單、高效的保留了種群中的精英個(gè)體。本文在對(duì)分...

【文章頁(yè)數(shù)】：51 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1.1決策向量與目標(biāo)向量的對(duì)應(yīng)關(guān)系

為不失一般性，本文以極小化最優(yōu)問題為例，一個(gè)多目標(biāo)優(yōu)化問題(MOP)可描述為如下形式[2]：Minimize112()((),...,(),),(,...)nmnFxfxfxxxxxRSubjectto....

圖1.2Pareto優(yōu)劣關(guān)系的示意圖

圖1.2Pareto優(yōu)劣關(guān)系的示意圖eto最優(yōu)解（ParetoOptimumSolutions）題有別于單個(gè)目標(biāo)的優(yōu)化問題，主要表現(xiàn)在互沖突的目標(biāo)在給定的目標(biāo)區(qū)域上全部達(dá)犧牲其它目標(biāo)為代價(jià)；(3)多目標(biāo)優(yōu)化問題，而是一組均衡解或近似最優(yōu)解。因此，多簡(jiǎn)單的進(jìn)行個(gè)體之間優(yōu)劣....

圖1.3三個(gè)不同空間的關(guān)系

圖1.3三個(gè)不同空間的關(guān)系一個(gè)典型的進(jìn)化算法的包括以下幾個(gè)核心組成部分：選擇、雜交和變異。法通過選擇算子、交叉算子和變異算子對(duì)當(dāng)前種群的個(gè)體進(jìn)行遺傳操作，產(chǎn)生一代種群。選擇算子作用在于評(píng)價(jià)個(gè)體的質(zhì)量，決定哪些個(gè)體進(jìn)入下一代種群。其實(shí)是對(duì)精英個(gè)體的保留，體現(xiàn)了進(jìn)化理論中優(yōu)勝劣汰....

圖2.1二維權(quán)重向量

一組均勻的權(quán)重向量也是MOEA/D算法運(yùn)行的重要一環(huán)。通常MOEA/D及其改進(jìn)型算法獲取權(quán)重的方法如下：在平面12=1mff…f或曲面22212=1mff…f上均勻取點(diǎn)，每個(gè)點(diǎn)對(duì)應(yīng)一個(gè)權(quán)重向量。對(duì)于含有m個(gè)目標(biāo)的MOP，若種群....

本文編號(hào)：3928870