隨著科學(xué)技術(shù)的飛速發(fā)展,在科學(xué)研究和工程應(yīng)用等眾多領(lǐng)域中涌現(xiàn)出大量多目標(biāo)優(yōu)化問題,而在這些多目標(biāo)優(yōu)化問題中,存在一類問題具有以下特性:在決策空間具有多個(gè)最優(yōu)解集,同時(shí),這些最優(yōu)解集在目標(biāo)空間中映射的向量相同;我們稱這類優(yōu)化問題為多模態(tài)多目標(biāo)優(yōu)化問題,而多模態(tài)多目標(biāo)進(jìn)化算法是有效解決多模態(tài)多目標(biāo)優(yōu)化問題的關(guān)鍵,因此如何構(gòu)建簡單高效的多模態(tài)多目標(biāo)優(yōu)化算法已成為優(yōu)化研究領(lǐng)域的關(guān)鍵課題。針對(duì)多模態(tài)多目標(biāo)優(yōu)化問題,本文提出了一種基于自組織物種形成的多目標(biāo)粒子群算法（SS-MOPSO）,所提算法在粒子群算法的框架下對(duì)種群個(gè)體進(jìn)行優(yōu)化,該算法通過采用一種自組織物種形成的小生境方法對(duì)種群進(jìn)行自動(dòng)劃分,用于發(fā)現(xiàn)優(yōu)化問題的帕累托最優(yōu)解,同時(shí)引入特殊擁擠距離技術(shù)來保留所發(fā)現(xiàn)的帕累托最優(yōu)解,相較于其他形成子種群的方法（拓?fù)浣Y(jié)構(gòu)、SOM等）,該算法通過歐式距離判斷種群個(gè)體間相似性大小,充分利用種群內(nèi)個(gè)體信息,能夠正確識(shí)別種群鄰域,形成的子種群較為精確,且互不重疊;其次,所提出的自組織物種形成方法與原始物種形成的小生境方法相比,所提算法的時(shí)間復(fù)雜度只與物種種子個(gè)數(shù)有關(guān),而原始物種方法不僅與種子個(gè)數(shù)相關(guān),也與種群內(nèi)... 

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 課題研究的背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 多目標(biāo)優(yōu)化算法研究現(xiàn)狀
        1.2.2 多模態(tài)優(yōu)化算法研究現(xiàn)狀
        1.2.3 多模態(tài)多目標(biāo)算法研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)
2 基于自組織物種形成的多目標(biāo)粒子群算法
    2.1 粒子群優(yōu)化算法
    2.2 物種形成的小生境技術(shù)
    2.3 特殊擁擠距離
    2.4 自組織物種形成機(jī)制
    2.5 基于自組織物種形成的多目標(biāo)粒子群算法介紹
    2.6 本章小結(jié)
3 基于自組織物種形成的粒子群算法求解多模態(tài)多目標(biāo)問題
    3.1 多模態(tài)多目標(biāo)優(yōu)化問題描述
    3.2 實(shí)驗(yàn)測試
        3.2.1 測試函數(shù)
        3.2.2 評(píng)價(jià)指標(biāo)
        3.2.3 對(duì)比算法及實(shí)驗(yàn)參數(shù)設(shè)定
    3.3 實(shí)驗(yàn)結(jié)果分析
        3.3.1 SS-MOPSO和對(duì)比算法在測試問題上的比較分析
        3.3.2 種群大小的參數(shù)討論
        3.3.3 半徑大小的參數(shù)討論
    3.4 本章小結(jié)
4 基于自組織物種形成的多目標(biāo)粒子群算法的應(yīng)用
    4.1 實(shí)際問題模型描述
    4.2 實(shí)驗(yàn)設(shè)置
    4.3 實(shí)驗(yàn)結(jié)果
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
附錄 A:碩士研究生階段發(fā)表論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于人群密度的最優(yōu)路徑規(guī)劃算法研究[J]. 李建東,萬旺根.  電子測量技術(shù). 2020(02)
[2]自適應(yīng)多策略花朵授粉算法[J]. 瞿博陽,李國森,焦岳超,柴旭朝,閆李.  計(jì)算機(jī)工程與設(shè)計(jì). 2020(02)
[3]基于多學(xué)習(xí)多目標(biāo)鴿群優(yōu)化的動(dòng)態(tài)環(huán)境經(jīng)濟(jì)調(diào)度[J]. 閆李,李超,柴旭朝,瞿博陽.  鄭州大學(xué)學(xué)報(bào)(工學(xué)版). 2019(04)
[4]A self-organizing multimodal multi-objective pigeon-inspired optimization algorithm[J]. Yi HU,Jie WANG,Jing LIANG,Kunjie YU,Hui SONG,Qianqian GUO,Caitong YUE,Yanli WANG.  Science China（Information Sciences）. 2019(07)
[5]多模態(tài)多目標(biāo)差分進(jìn)化算法求解非線性方程組[J]. 許偉偉,梁靜,岳彩通,瞿博陽.  計(jì)算機(jī)應(yīng)用研究. 2019(05)
[6]基于馮諾依曼拓?fù)浣Y(jié)構(gòu)的骨干粒子群優(yōu)化算法[J]. 王明慧,戴月明,田娜,王艷.  計(jì)算機(jī)工程與科學(xué). 2017(08)
[7]基于量子位實(shí)數(shù)編碼的優(yōu)化算法及軋制規(guī)程多目標(biāo)優(yōu)化[J]. 張宇獻(xiàn),李松,李勇,王建輝.  儀器儀表學(xué)報(bào). 2014(11)

博士論文
[1]數(shù)據(jù)驅(qū)動(dòng)的動(dòng)態(tài)路徑優(yōu)化和停車誘導(dǎo)模型與算法[D]. 楊珍珍.北京交通大學(xué) 2019

碩士論文
[1]基于自適應(yīng)小生境文化基因算法的數(shù)據(jù)聚類[D]. 王璽.浙江工業(yè)大學(xué) 2019
[2]基于粒子群改進(jìn)算法的生物網(wǎng)絡(luò)建模與優(yōu)化研究[D]. 姚琴琴.浙江大學(xué) 2017
[3]環(huán)形拓?fù)涞男螒B(tài)演變與設(shè)計(jì)策略[D]. 褚雅楠.天津大學(xué) 2016
[4]基于進(jìn)化算法的多目標(biāo)優(yōu)化算法及應(yīng)用研究[D]. 劉楠楠.南京航空航天大學(xué) 2010
[5]受膜計(jì)算啟發(fā)的優(yōu)化算法研究[D]. 付杰.浙江大學(xué) 2010



本文編號(hào)：3671120