改進的基于分解的進化多目標優(yōu)化算法及其應(yīng)用
發(fā)布時間：2021-07-24 19:01
基于分解的進化多目標優(yōu)化算法（MOEA/D）作為進化算法中的一個典型算法,具有搜索能力強和不依賴于具體問題的特點,是求解多目標優(yōu)化問題中發(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）處理離散問題性能差。針對這些問題,本文提出了基于蒙特卡洛和自適應(yīng)差分算子的分解進化多目標優(yōu)化算法（MOEA/D-MC-SA）,并將其進一步改進并用來處理背包問題。本文針對基于分解的進化多目標優(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題性能差等問題,提出了相應(yīng)的改進方法,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)差分算子的分解進化多目標優(yōu)化算法（MOEA/D-MC-SA）。該算法的主要創(chuàng)新點如下:（1）采用蒙特卡洛方法來產(chǎn)生初始種群,避免了大多數(shù)進化算法的隨機初始化種群帶來的解的分布不均勻而導(dǎo)致算法搜索能力低下的問題。（2）設(shè)計了一種自適應(yīng)策略差分進化操作,能實現(xiàn)在進化過程中動態(tài)調(diào)整縮放因子F和交叉概率CR以提高局部搜索能力。對該算法通過多組測試函數(shù),與其他四種算法進行對比...
【文章來源】：西安石油大學陜西省
【文章頁數(shù)】：78 頁
【學位級別】：碩士
【部分圖文】：
本文各章之間的關(guān)系
第二章基于差分進化的分解進化多目標優(yōu)化算法(MOEA/D-DE)13圖2-1邊界交叉法(3)權(quán)重和方法[12]該方法主要是通過多目標問題中不同目標的貢獻程度，分配與之匹配的權(quán)重值，然后按照對應(yīng)權(quán)重與目標的乘積和作為目標函數(shù)。最后的目標函數(shù)見公式(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)計在該算法中，權(quán)向量的分配主要是通過參數(shù)H來控制的。種群規(guī)模一般用N來表示，用1,...,N表示N個權(quán)重向量。參數(shù)H與以下兩個因素有關(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)每一個權(quán)重分量都來自權(quán)向量的分配區(qū)間如式(2-11)所示：01,,...,HHHH(2-11)一般地，當目標函數(shù)有2個，即m2時，種群規(guī)模相應(yīng)地設(shè)置為N100，通過公式(2-10)計算得參數(shù)H100，則權(quán)重向量表示如式(2-12)：101001999911000,...,,,,,...,,,,100100100100100100100100N(2-12)當目標函數(shù)有3個，即m3時，種群規(guī)模相應(yīng)地設(shè)置為N210通過公式(2-10)計算得參數(shù)H19，則權(quán)重向量表示如式(2-13)：
西安石油大學碩士學位論文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化操作。2.4本章小結(jié)本章詳細介紹了差分進化算法中的分解機制、權(quán)向量設(shè)計、差分進化操作、多項式變異操作等定義以及算法的實現(xiàn)過程。種群初始化一直是進化多目標優(yōu)化算法的重中之重，同樣，對于基于分解的進化多目標優(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)來實現(xiàn)各個單目標的優(yōu)化，對于不同的問題需要進行反復(fù)的手工調(diào)參的過程，這是算法的另一個缺陷。第三章主要針對以上不足進行研究，并提出相應(yīng)的改進策略。另外文獻中MOEA/D-DE是用來求解連續(xù)多目標優(yōu)化問題的，并沒有開展相關(guān)算法的離散型優(yōu)化問題的求解。第四章主要是針對此點進行研究，并提出相應(yīng)的改進策略。
【參考文獻】：
期刊論文
[1]進化多目標優(yōu)化算法研究[J]. 公茂果,焦李成,楊咚咚,馬文萍. 軟件學報. 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. 計算機工程與設(shè)計. 2006(12)
博士論文
[1]基于生物啟發(fā)計算的知識發(fā)現(xiàn)關(guān)鍵技術(shù)研究與實現(xiàn)[D]. 彭京.四川大學 2006
碩士論文
[1]差分進化算法在組合優(yōu)化問題中的應(yīng)用研究[D]. 張明.南京信息工程大學 2011
本文編號：3301240
【文章來源】：西安石油大學陜西省
【文章頁數(shù)】：78 頁
【學位級別】：碩士
【部分圖文】：
本文各章之間的關(guān)系
第二章基于差分進化的分解進化多目標優(yōu)化算法(MOEA/D-DE)13圖2-1邊界交叉法(3)權(quán)重和方法[12]該方法主要是通過多目標問題中不同目標的貢獻程度，分配與之匹配的權(quán)重值，然后按照對應(yīng)權(quán)重與目標的乘積和作為目標函數(shù)。最后的目標函數(shù)見公式(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)計在該算法中，權(quán)向量的分配主要是通過參數(shù)H來控制的。種群規(guī)模一般用N來表示，用1,...,N表示N個權(quán)重向量。參數(shù)H與以下兩個因素有關(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)每一個權(quán)重分量都來自權(quán)向量的分配區(qū)間如式(2-11)所示：01,,...,HHHH(2-11)一般地，當目標函數(shù)有2個，即m2時，種群規(guī)模相應(yīng)地設(shè)置為N100，通過公式(2-10)計算得參數(shù)H100，則權(quán)重向量表示如式(2-12)：101001999911000,...,,,,,...,,,,100100100100100100100100N(2-12)當目標函數(shù)有3個，即m3時，種群規(guī)模相應(yīng)地設(shè)置為N210通過公式(2-10)計算得參數(shù)H19，則權(quán)重向量表示如式(2-13)：
西安石油大學碩士學位論文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化操作。2.4本章小結(jié)本章詳細介紹了差分進化算法中的分解機制、權(quán)向量設(shè)計、差分進化操作、多項式變異操作等定義以及算法的實現(xiàn)過程。種群初始化一直是進化多目標優(yōu)化算法的重中之重，同樣，對于基于分解的進化多目標優(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)來實現(xiàn)各個單目標的優(yōu)化，對于不同的問題需要進行反復(fù)的手工調(diào)參的過程，這是算法的另一個缺陷。第三章主要針對以上不足進行研究，并提出相應(yīng)的改進策略。另外文獻中MOEA/D-DE是用來求解連續(xù)多目標優(yōu)化問題的，并沒有開展相關(guān)算法的離散型優(yōu)化問題的求解。第四章主要是針對此點進行研究，并提出相應(yīng)的改進策略。
【參考文獻】：
期刊論文
[1]進化多目標優(yōu)化算法研究[J]. 公茂果,焦李成,楊咚咚,馬文萍. 軟件學報. 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. 計算機工程與設(shè)計. 2006(12)
博士論文
[1]基于生物啟發(fā)計算的知識發(fā)現(xiàn)關(guān)鍵技術(shù)研究與實現(xiàn)[D]. 彭京.四川大學 2006
碩士論文
[1]差分進化算法在組合優(yōu)化問題中的應(yīng)用研究[D]. 張明.南京信息工程大學 2011
本文編號：3301240
本文鏈接：http://sikaile.net/shoufeilunwen/xixikjs/3301240.html
最近更新
教材專著
