大數(shù)據(jù)背景下,高效處理海量、高維、不確定數(shù)據(jù)的迫切需要對(duì)傳統(tǒng)的信息處理技術(shù)提出了挑戰(zhàn)。以進(jìn)化計(jì)算為代表的智能計(jì)算方法被認(rèn)為是處理復(fù)雜多目標(biāo)問題的有效手段,近年來已成為研究的前沿和熱點(diǎn)關(guān)注領(lǐng)域。目前,多目標(biāo)進(jìn)化算法已在眾多領(lǐng)域得到十分廣泛的應(yīng)用,并解決了許多非常有價(jià)值的實(shí)際問題,其研究成果已經(jīng)滲透到多個(gè)學(xué)科。然而,在進(jìn)化多目標(biāo)求解的過程中,仍然需要重點(diǎn)關(guān)注以下兩個(gè)方面:1)如何提高多目標(biāo)進(jìn)化算法的通用性;2)如何在多目標(biāo)進(jìn)化算法搜索過程中融入問題的特征,以實(shí)現(xiàn)問題的高效求解。有鑒于此,本論文旨在研究自適應(yīng)學(xué)習(xí)機(jī)制驅(qū)動(dòng)的多目標(biāo)進(jìn)化算法,并對(duì)其在復(fù)雜多目標(biāo)優(yōu)化問題的高效求解方面展開研究,主要?jiǎng)?chuàng)新性工作如下:1.多目標(biāo)差分進(jìn)化算法和基于規(guī)則的多目標(biāo)分布估計(jì)算法對(duì)于不同類型問題的求解具有各自的優(yōu)勢(shì)和不足,如何有效融合各自的優(yōu)勢(shì)是提高算法計(jì)算效率的一種重要途經(jīng)。為此,提出一種自適應(yīng)協(xié)方差學(xué)習(xí)模型驅(qū)動(dòng)的多目標(biāo)混合差分-分布估計(jì)算法。首先,通過矩陣?yán)碚摲治霾罘诌M(jìn)化算子的數(shù)學(xué)特征以及對(duì)不同類型優(yōu)化問題的影響。其次,利用協(xié)方差矩陣來識(shí)別種群分布的數(shù)據(jù)關(guān)聯(lián)特性,以此構(gòu)建特征坐標(biāo)系,并利用Sigmoid函數(shù)實(shí)... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：112 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
符號(hào)對(duì)照表
縮略語對(duì)照表
1 緒論
    1.1 研究背景和意義
    1.2 研究現(xiàn)狀
    1.3 現(xiàn)有研究的不足和分析
    1.4 本文的主要工作
2 基礎(chǔ)知識(shí)
    2.1 多目標(biāo)優(yōu)化問題
    2.2 兩類多目標(biāo)分布估計(jì)算法
        2.2.1 基于規(guī)則模型的多目標(biāo)分布估計(jì)算法
        2.2.2 基于高斯過程逆模型的多目標(biāo)分布估計(jì)算法
    2.3 快速非支配排序選擇策略
    2.4 評(píng)價(jià)指標(biāo)
    2.5 本章小結(jié)
3 自適應(yīng)協(xié)方差學(xué)習(xí)模型驅(qū)動(dòng)的多目標(biāo)混合差分-分布估計(jì)算法
    3.1 引言
    3.2 提出的算法
        3.2.1 差分進(jìn)化算子的數(shù)學(xué)特征分析
        3.2.2 自適應(yīng)協(xié)方差學(xué)習(xí)
        3.2.3 負(fù)相關(guān)學(xué)習(xí)
    3.3 算法框架
    3.4 最壞情況計(jì)算復(fù)雜度分析
    3.5 實(shí)驗(yàn)研究
        3.5.1 測(cè)試函數(shù)
        3.5.2 參數(shù)設(shè)置
        3.5.3 實(shí)驗(yàn)結(jié)果與分析
    3.6 本章小結(jié)
4 自適應(yīng)逆學(xué)習(xí)模型驅(qū)動(dòng)的多目標(biāo)進(jìn)化算法
    4.1 引言
    4.2 提出的算法
        4.2.1 外部精英存檔策略
        4.2.2 動(dòng)態(tài)參考向量的設(shè)計(jì)
        4.2.3 偏好交叉操作
    4.3 算法框架
    4.4 最壞情況計(jì)算復(fù)雜度分析
    4.5 實(shí)驗(yàn)研究
        4.5.1 測(cè)試函數(shù)
        4.5.2 參數(shù)設(shè)置
        4.5.3 實(shí)驗(yàn)結(jié)果與分析
    4.6 本章小結(jié)
5 自適應(yīng)雙空間學(xué)習(xí)模型驅(qū)動(dòng)的多目標(biāo)進(jìn)化算法
    5.1 引言
    5.2 提出的算法
        5.2.1 基于序列的確定性初始化方法
        5.2.2 學(xué)習(xí)模型的自適應(yīng)選擇策略
        5.2.3 集成雙空間的自適應(yīng)環(huán)境選擇策略
    5.3 算法框架
    5.4 最壞情況計(jì)算復(fù)雜度分析
    5.5 實(shí)驗(yàn)研究
        5.5.1 測(cè)試函數(shù)
        5.5.2 參數(shù)設(shè)置
        5.5.3 實(shí)驗(yàn)結(jié)果與分析
    5.6 本章小結(jié)
6 基于多目標(biāo)深度信念網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)模型
    6.1 時(shí)間序列預(yù)測(cè)
    6.2 多目標(biāo)引導(dǎo)的稀疏深度信念網(wǎng)絡(luò)
        6.2.1 深度信念網(wǎng)絡(luò)模型
        6.2.2 多目標(biāo)引導(dǎo)的稀疏RBM訓(xùn)練
    6.3 實(shí)驗(yàn)研究
        6.3.1 混沌時(shí)間序列預(yù)測(cè)
        6.3.2 電力負(fù)荷預(yù)測(cè)
    6.4 本章小結(jié)
7 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
致謝
參考文獻(xiàn)
附錄
    附錄A
    附錄B
攻讀博士學(xué)位期間的研究成果
    1. 完成的論文成果
    2. 參與的科研項(xiàng)目
    3. 完成的論文成果


【參考文獻(xiàn)】：
期刊論文
[1]含高比例可再生能源電力系統(tǒng)靈活性規(guī)劃及挑戰(zhàn)[J]. 魯宗相,李海波,喬穎.  電力系統(tǒng)自動(dòng)化. 2016(13)
[2]基于多種群粒子群算法和布谷鳥搜索的聯(lián)合尋優(yōu)算法[J]. 高云龍,閆鵬.  控制與決策. 2016(04)
[3]智能電網(wǎng)中的若干數(shù)學(xué)與控制科學(xué)問題及其展望[J]. 梅生偉,朱建全.  自動(dòng)化學(xué)報(bào). 2013(02)
[4]風(fēng)電場(chǎng)風(fēng)速的神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型[J]. 戴浪,黃守道,黃科元,葉盛.  電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2011(04)
[5]基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的城區(qū)中長期電力負(fù)荷預(yù)測(cè)與分析[J]. 程玉桂,黎明,林明玉.  計(jì)算機(jī)應(yīng)用. 2010(01)
[6]基于SVM方法的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)[J]. 彭懷午,楊曉峰,劉方銳.  電網(wǎng)與清潔能源. 2009(07)
[7]基于時(shí)間序列分析的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)模型[J]. 丁明,張立軍,吳義純.  電力自動(dòng)化設(shè)備. 2005(08)

博士論文
[1]基于進(jìn)化算法的復(fù)雜多目標(biāo)優(yōu)化問題求解[D]. 田野.安徽大學(xué) 2018
[2]人工雨滴算法及其應(yīng)用研究[D]. 江巧永.西安理工大學(xué) 2017

碩士論文
[1]分布估計(jì)算法中差分采樣策略的研究[D]. 董兵.華東師范大學(xué) 2017
[2]基于規(guī)則模型的分布估計(jì)多目標(biāo)算法及應(yīng)用[D]. 王劍文.中國地質(zhì)大學(xué) 2009



本文編號(hào)：3146489