基于分解的進(jìn)化多目標(biāo)優(yōu)化算法（MOEA/D）作為進(jìn)化算法中的一個(gè)典型算法,具有搜索能力強(qiáng)和不依賴于具體問(wèn)題的特點(diǎn),是求解多目標(biāo)優(yōu)化問(wèn)題中發(fā)展較快,優(yōu)化效果較好的一種方法。然而現(xiàn)有的MOEA/D算法及其變種普遍存在如下問(wèn)題:（1）算法的全局和局部搜索能力低下;（2）解的分布不均勻;（3）處理離散問(wèn)題性能差。針對(duì)這些問(wèn)題,本文提出了基于蒙特卡洛和自適應(yīng)差分算子的分解進(jìn)化多目標(biāo)優(yōu)化算法（MOEA/D-MC-SA）,并將其進(jìn)一步改進(jìn)并用來(lái)處理背包問(wèn)題。本文針對(duì)基于分解的進(jìn)化多目標(biāo)優(yōu)化算法存在全局和局部搜索能力低下、解的分布不均勻以及處理離散問(wèn)題性能差等問(wèn)題,提出了相應(yīng)的改進(jìn)方法,主要完成了以下的工作內(nèi)容:1.提出基于蒙特卡洛和自適應(yīng)差分算子的分解進(jìn)化多目標(biāo)優(yōu)化算法（MOEA/D-MC-SA）。該算法的主要?jiǎng)?chuàng)新點(diǎn)如下:（1）采用蒙特卡洛方法來(lái)產(chǎn)生初始種群,避免了大多數(shù)進(jìn)化算法的隨機(jī)初始化種群帶來(lái)的解的分布不均勻而導(dǎo)致算法搜索能力低下的問(wèn)題。（2）設(shè)計(jì)了一種自適應(yīng)策略差分進(jìn)化操作,能實(shí)現(xiàn)在進(jìn)化過(guò)程中動(dòng)態(tài)調(diào)整縮放因子F和交叉概率CR以提高局部搜索能力。對(duì)該算法通過(guò)多組測(cè)試函數(shù),與其他四種算法進(jìn)行對(duì)比... 

【文章來(lái)源】：西安石油大學(xué)陜西省

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

本文各章之間的關(guān)系

第二章基于差分進(jìn)化的分解進(jìn)化多目標(biāo)優(yōu)化算法(MOEA/D-DE)13圖2-1邊界交叉法(3)權(quán)重和方法[12]該方法主要是通過(guò)多目標(biāo)問(wèn)題中不同目標(biāo)的貢獻(xiàn)程度，分配與之匹配的權(quán)重值，然后按照對(duì)應(yīng)權(quán)重與目標(biāo)的乘積和作為目標(biāo)函數(shù)。最后的目標(biāo)函數(shù)見(jiàn)公式(2-9):1ming,mwsiiixfx(2-9)其中，i0且11,.miix2.3.2MOEA/D-DE算法的權(quán)向量設(shè)計(jì)在該算法中，權(quán)向量的分配主要是通過(guò)參數(shù)H來(lái)控制的。種群規(guī)模一般用N來(lái)表示，用1,...,N表示N個(gè)權(quán)重向量。參數(shù)H與以下兩個(gè)因素有關(guān)：一是種群規(guī)模，二是權(quán)重向量。二者之間的關(guān)系可以用如下式(2-10)表示：11mHmNC(2-10)每一個(gè)權(quán)重分量都來(lái)自權(quán)向量的分配區(qū)間如式(2-11)所示：01,,...,HHHH(2-11)一般地，當(dāng)目標(biāo)函數(shù)有2個(gè)，即m2時(shí)，種群規(guī)模相應(yīng)地設(shè)置為N100，通過(guò)公式(2-10)計(jì)算得參數(shù)H100，則權(quán)重向量表示如式(2-12)：101001999911000,...,,,,,...,,,,100100100100100100100100N(2-12)當(dāng)目標(biāo)函數(shù)有3個(gè)，即m3時(shí)，種群規(guī)模相應(yīng)地設(shè)置為N210通過(guò)公式(2-10)計(jì)算得參數(shù)H19，則權(quán)重向量表示如式(2-13)：

西安石油大學(xué)碩士學(xué)位論文16圖2-2MOEA/D算法流程圖圖2-3MOEA/D-DE算法流程圖MOEA/D算法與MOEA/D-DE算法流程基本一致，兩者之間的差別在于交叉算子操作的不同，前者是SBX操作算子，而后者采用的是差分進(jìn)化操作。2.4本章小結(jié)本章詳細(xì)介紹了差分進(jìn)化算法中的分解機(jī)制、權(quán)向量設(shè)計(jì)、差分進(jìn)化操作、多項(xiàng)式變異操作等定義以及算法的實(shí)現(xiàn)過(guò)程。種群初始化一直是進(jìn)化多目標(biāo)優(yōu)化算法的重中之重，同樣，對(duì)于基于分解的進(jìn)化多目標(biāo)優(yōu)化算法也不例外，它直接影響了算法的搜索能力。原始的MOEA/D-DE是采用固定的參數(shù)來(lái)實(shí)現(xiàn)各個(gè)單目標(biāo)的優(yōu)化，對(duì)于不同的問(wèn)題需要進(jìn)行反復(fù)的手工調(diào)參的過(guò)程，這是算法的另一個(gè)缺陷。第三章主要針對(duì)以上不足進(jìn)行研究，并提出相應(yīng)的改進(jìn)策略。另外文獻(xiàn)中MOEA/D-DE是用來(lái)求解連續(xù)多目標(biāo)優(yōu)化問(wèn)題的，并沒(méi)有開(kāi)展相關(guān)算法的離散型優(yōu)化問(wèn)題的求解。第四章主要是針對(duì)此點(diǎn)進(jìn)行研究，并提出相應(yīng)的改進(jìn)策略。

【參考文獻(xiàn)】：
期刊論文
[1]進(jìn)化多目標(biāo)優(yōu)化算法研究[J]. 公茂果,焦李成,楊咚咚,馬文萍.  軟件學(xué)報(bào). 2009(02)
[2]基于懲罰和修復(fù)混合策略的約束處理方法[J]. 田方,邵娟,張禹.  計(jì)算機(jī)工程與設(shè)計(jì). 2006(12)

博士論文
[1]基于生物啟發(fā)計(jì)算的知識(shí)發(fā)現(xiàn)關(guān)鍵技術(shù)研究與實(shí)現(xiàn)[D]. 彭京.四川大學(xué) 2006

碩士論文
[1]差分進(jìn)化算法在組合優(yōu)化問(wèn)題中的應(yīng)用研究[D]. 張明.南京信息工程大學(xué) 2011



本文編號(hào)：3301240