本文關(guān)鍵詞：基于外部集的多目標(biāo)進(jìn)化算法的動態(tài)資源分配策略研究

  更多相關(guān)文章： 進(jìn)化計算 多目標(biāo)優(yōu)化 帕里托支配 分解思想 混合思想 動態(tài)資源分配

【摘要】：多目標(biāo)優(yōu)化的目標(biāo)是近似出一組目標(biāo)間互相權(quán)衡的Pareto最優(yōu)解集。進(jìn)化算法,由于其基于群體智能的優(yōu)化特點,已成為解決多目標(biāo)優(yōu)化問題的主流算法。近年來,基于分解的多目標(biāo)進(jìn)化算法(MOEA/D)引起了廣泛的關(guān)注:算法將一個多目標(biāo)優(yōu)化問題分解成為多個單目標(biāo)優(yōu)化的子問題,然后同時對這些子問題分配計算資源進(jìn)行優(yōu)化。原始的MOEA/D采用對于每個子問題平均分配計算資源的策略。但是由于每個子問題的難易程度不同,采用動態(tài)資源分配的策略能夠進(jìn)一步提高優(yōu)化算法的效率。本文主要通過外部集信息,研究對子問題進(jìn)行動態(tài)資源分配的不同策略,以及它們對算法性能的影響。本文的主要研究工作包含以下三個部分:1.采用混合的多目標(biāo)優(yōu)化算法作為基本框架,即使用一個基于分解的工作集合和一個基于Pareto支配的外部集合。提出了一種兩階段的計算資源分配策略。算法的優(yōu)化過程被顯性地分成了兩個階段,首先從外部集中提取收斂性信息,進(jìn)入第二階段后使用多樣性信息指導(dǎo)其搜索方向,從而提高了算法的效率。2.針對一些特殊的優(yōu)化問題(如不符合常見的先收斂后擴散),提出了一種多階段的計算資源分配策略。該策略根據(jù)當(dāng)前的進(jìn)化狀態(tài)(收斂或者擴散階段),使用一種動態(tài)切換機制,自適應(yīng)地將外部集的收斂或多樣性信息作為反饋,用于指導(dǎo)工作集的搜索方向,從而提高了算法在收斂性和多樣性上的權(quán)衡能力。3.對多目標(biāo)軟件版本發(fā)布問題和多目標(biāo)旅行商問題進(jìn)行測試,與其它優(yōu)秀的算法相比,提出的策略能合理地分配計算資源,具有更好的性能。并進(jìn)一步地驗證了動態(tài)資源分配策略的作用。
【關(guān)鍵詞】：進(jìn)化計算 多目標(biāo)優(yōu)化 帕里托支配 分解思想 混合思想 動態(tài)資源分配
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP18
【目錄】：

• 摘要4-5
• ABSTRACT5-11
• 注釋表11-12
• 縮略詞12-13
• 第一章 緒論13-18
• 1.1 研究背景13-15
• 1.1.1 進(jìn)化計算概述13-14
• 1.1.2 多目標(biāo)優(yōu)化問題14-15
• 1.2 研究進(jìn)展15-16
• 1.3 本文主要研究內(nèi)容16-17
• 1.4 本文各章節(jié)組織安排17-18
• 第二章 相關(guān)背景知識18-32
• 2.1 多目標(biāo)進(jìn)化算法的分類18-28
• 2.1.1 基于帕里托支配的多目標(biāo)進(jìn)化算法18-22
• 2.1.1.1 非支配排序18-19
• 2.1.1.2 多樣性保持機制19-21
• 2.1.1.3 精英保留策略21-22
• 2.1.2 基于分解的多目標(biāo)進(jìn)化算法22-27
• 2.1.2.1 分解方法23-24
• 2.1.2.2 自然選擇策略24-25
• 2.1.2.3 動態(tài)資源分配策略25-27
• 2.1.3 基于性能指標(biāo)的多目標(biāo)進(jìn)化算法27-28
• 2.2 性能度量指標(biāo)28-30
• 2.2.1 超體積28-29
• 2.2.2 反向迭代距離29
• 2.2.3 sigma性能指標(biāo)29-30
• 2.3 測試問題30-32
• 2.3.1 多目標(biāo)軟件版本發(fā)布問題30-31
• 2.3.2 多目標(biāo)旅行商問題31-32
• 第三章 基于外部集的兩階段多目標(biāo)進(jìn)化算法32-52
• 3.1 混合多目標(biāo)進(jìn)化算法32-33
• 3.2 算法動機33-35
• 3.3 算法描述35-39
• 3.3.1 總體框架35
• 3.3.2 初始化35-36
• 3.3.3 生成新解36
• 3.3.4 更新種群36
• 3.3.5 進(jìn)化階段劃分36-37
• 3.3.6 終止條件37-39
• 3.4 實驗設(shè)計與結(jié)果分析39-51
• 3.4.1 對比算法介紹39
• 3.4.2 實驗參數(shù)設(shè)置39-40
• 3.4.3 實驗結(jié)果分析40-51
• 3.4.3.1 參數(shù)敏感性測試41
• 3.4.3.2 2EAG-MOEA/D與經(jīng)典算法的對比41-44
• 3.4.3.3 2EAG-MOEA/D與先進(jìn)動態(tài)資源分配策略的對比44-47
• 3.4.3.4 動態(tài)資源分配策略的有效性分析47-51
• 3.5 本章小結(jié)51-52
• 第四章 基于外部集的多階段自適應(yīng)多目標(biāo)進(jìn)化算法52-68
• 4.1 算法動機52-53
• 4.2 算法描述53-56
• 4.2.1 總體框架53-55
• 4.2.2 切換機制55
• 4.2.3 反饋信息55-56
• 4.3 實驗設(shè)計與結(jié)果分析56-67
• 4.3.1 對比算法介紹56
• 4.3.2 實驗參數(shù)設(shè)置56
• 4.3.3 實驗結(jié)果分析56-67
• 4.3.3.1 兩種切換機制的比較57-58
• 4.3.3.2 三種多樣性信息對比58-59
• 4.3.3.3 AG-MOEA/D與經(jīng)典算法的對比59-60
• 4.3.3.4 AG-MOEA/D與前期工作的對比60-62
• 4.3.3.5 AG-MOEA/D與先進(jìn)動態(tài)資源分配策略的對比62-65
• 4.3.3.6 動態(tài)資源分配策略的有效性分析65-67
• 4.4 本章小結(jié)67-68
• 第五章 總結(jié)與展望68-70
• 5.1 研究總結(jié)68
• 5.2 研究展望68-70
• 參考文獻(xiàn)70-76
• 致謝76-77
• 在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文77

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 公茂果;焦李成;楊咚咚;馬文萍;;進(jìn)化多目標(biāo)優(yōu)化算法研究[J];軟件學(xué)報;2009年02期

2 王勇;蔡自興;周育人;肖赤心;;約束優(yōu)化進(jìn)化算法[J];軟件學(xué)報;2009年01期

，

本文編號：807003