多目標(biāo)優(yōu)化問題往往需要同時(shí)考慮若干個(gè)相互沖突的目標(biāo)。大多數(shù)情況下,某個(gè)目標(biāo)的改善可能引起其它目標(biāo)性能的降低,同時(shí)使多個(gè)目標(biāo)均達(dá)到最優(yōu)是不可能的,只能在各目標(biāo)之間進(jìn)行協(xié)調(diào)權(quán)衡和折中處理,使所有目標(biāo)盡可能達(dá)到最優(yōu)。如何獲取這類問題的最優(yōu)解,一直都是學(xué)術(shù)界和工業(yè)界關(guān)注的焦點(diǎn)問題。演化算法是模擬自然界生物的進(jìn)化過程產(chǎn)生的一種基于種群的隨機(jī)優(yōu)化算法。利用演化算法解決多目標(biāo)優(yōu)化問題具有獨(dú)特的優(yōu)勢(shì):可以解決大規(guī)模復(fù)雜空間上的搜索問題;一次運(yùn)行可以獲得多個(gè)折中解。由于這些優(yōu)勢(shì),演化多目標(biāo)優(yōu)化算法逐漸興起,并成為演化計(jì)算的主流研究方向之一。近年來,基于分解的演化多目標(biāo)優(yōu)化算法（MOEA/D）逐漸成為研究熱點(diǎn)。這類算法的基本思想是將多目標(biāo)優(yōu)化問題分解為一組標(biāo)量子問題。相鄰的子問題相互協(xié)作以生成新的后代解,而新的后代解不僅會(huì)更新相應(yīng)子問題的解,也會(huì)更新鄰域解。通過這種方式,所有子問題同時(shí)得到優(yōu)化,最終可以得到整個(gè)逼近解集。本論文針對(duì)基于分解的演化多目標(biāo)優(yōu)化算法的一些關(guān)鍵組成部分,即后代生成策略、預(yù)選擇策略和替換策略展開深入的研究,并將研究成果應(yīng)用于數(shù)據(jù)挖掘問題。論文的主要工作包括:1.后代生成策略研究。針對(duì)... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：155 頁

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖１－１?全文組織結(jié)構(gòu)??算法研究進(jìn)展與分類、基于分解的演化多目標(biāo)優(yōu)化算法、用于生成后代解的差分演??化算法、典型的演化多目標(biāo)優(yōu)?

???定義２．２?Ｐａｒｅｔｏ最優(yōu)解：一個(gè)ＭＯＰ問題２－１的可行解，ｅ?ｎ被稱為一個(gè)Ｐａｒｅｔｏ最優(yōu)??解，當(dāng)且僅當(dāng)妒（ｙ）?４?ＦＣｘ＊）。??定義２．３?Ｐａｒｅｔｏ最優(yōu)解集：在決策空間中，所有Ｐａｒｅｔｏ最優(yōu)解組成的集合被稱為??／Ｗｅ／ｏ?ｓｅ／?（ＰＳ），ＡＳ１?＝?｛ｊ：?Ｇ?１２丨去；ｙ?Ｇ?ｎ．廠⑴?Ｓ?Ｆ（ｘ）｝。??定義２．４?Ｐａｒｅｔｏ最優(yōu)前沿：ＰＳ在所有目標(biāo)空間中的映射集合稱為Ｐａｒｅｔｏ最優(yōu)前沿??（ＰＦ），?ＰＦ?＝?｛Ｆ（ｘ）＼ｘＥＰＳ｝〇??圖２－１為Ｐａｒｅｔｏ最優(yōu)解集與Ｐａｒｅｔｏ最優(yōu)前沿關(guān)系示意圖。??▲?▲??Ａ?／２??Ｐａｒｅｔｏ最優(yōu)解集?Ｐａｒｅｔｏ最優(yōu)前沿?????圖２－１?Ｐａｒｅｔｏ最優(yōu)解集與Ｐａｒｅｔｏ最優(yōu)前沿的對(duì)應(yīng)關(guān)系??２．１．３求解方法??多目標(biāo)優(yōu)化問題的求解方法通常分為三類：先驗(yàn)方法［９２，９３］、交互方法［９４＿９５］和后??驗(yàn)方法［９６＿９８］。??？先驗(yàn)方法。首先，決策者根據(jù)每個(gè)目標(biāo)固有的特性，為每個(gè)目標(biāo)設(shè)置相應(yīng)的權(quán)??重；然后，通過加權(quán)求和的方式把多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題；最??后，執(zhí)行種群優(yōu)化過程并獲得最優(yōu)解。??？交互方法。在種群優(yōu)化過程中，決策者以交互方式參與決策過程。因此這種求??解方法需要決策者不斷地調(diào)整目標(biāo)之間的偏好關(guān)系。??？后驗(yàn)方法。首先，該方法執(zhí)行演化多目標(biāo)優(yōu)化算法；然后，得到一組Ｐａｒｅｔｏ前??沿面上近似最優(yōu)解集（如圖２－１所示）；最后，決策者根據(jù)每個(gè)目標(biāo)的偏好進(jìn)行??決策，選擇出一個(gè)最適合實(shí)際情況的解作為最優(yōu)解。因此，決策者在缺少先驗(yàn)??信息可以借鑒的情況下，也可以對(duì)問題進(jìn)行求解。??１

第二章相關(guān)知識(shí)??不同的Ｐａｒｅｔｏ解。然而，基于權(quán)重和方法對(duì)于ＰＦ存在復(fù)雜的曲面形狀時(shí)，該方法就??不能很好的獲得ＭＯＰ的一組Ｐａｒｅｔｏ解，有時(shí)候甚至無法獲�。校幔颍澹簦镒顑�(yōu)解。??Ｚ?〇）?等誠?（ｖｉ．ｖ２）??：、、、＇／?ｙ??職點(diǎn)??圖２－２?加權(quán)和方法??２．３．１．２?切比雪夫方法（ＴＣＨ）??對(duì)于大多數(shù)復(fù)雜的ＭＯＰ，切比雪夫方法（Ｔｃｈｅｂｙｃｈｅｆｆ?ａｐｐｒｏａｃｈ，ＴＣＨ）［８９］都是??非常有效的。因此，大多數(shù)基于ＭＯＥＡ／Ｄ的變種算法采用切比雪夫方法作為基準(zhǔn)方??法進(jìn)行ＭＯＰ的目標(biāo)分解。切比雪夫方法的數(shù)學(xué)形式可以表示為［７］：??ｉｒｕｎｇＴＣＨ｛ｘ＼Ｘ，ｚ＊）?＝?ｍａｘ?｛＾ｊ＼ｆｊ（ｘ）?－?ｚ＊＼｝?（２－３）??在公式２－３中，汐＝（＜，茍，…，Ａ；）７＂為當(dāng)前迭代優(yōu)化過程中能夠獲得的最優(yōu)點(diǎn)，稱之為??參考點(diǎn)。如圖２－３所示，搜索方向ｖ與參考點(diǎn)ｚ＊共同定義了一條有方向的直線，沿??著當(dāng)前的直線越來越靠近參考點(diǎn)ｚ＊，這樣就會(huì)使得的值越來越�；谇斜�??雪夫分解方法對(duì)于處理Ｐａｒｅｔｏ最優(yōu)前沿為凸時(shí)的ＭＯＰ，效果非常明顯。并且，對(duì)于??Ｐａｒｅｔｏ最優(yōu)前沿為非凸的ＭＯＰ，也是非常有效的。然而，基于切比雪夫分解方法的??ＭＯＥＡ／Ｄ算法，最終優(yōu)化獲得的Ｐａｒｅｔｏ最優(yōu)解集的均勻性有待提高。??奶）ＰＦ?＊索方向（ｈ．ｈ）??／?等賊?＼??ｖ｜／?ｉ?Ｖ??Ｉ?ｉ?？?｛??Ｉ?ｉ??圖２－３?切比雪夫方法??１９??

【參考文獻(xiàn)】：
期刊論文
[1]On Multicast Routing With Network Coding: A Multiobjective Artificial Bee Colony Algorithm[J]. Huanlai Xing,Fuhong Song,Lianshan Yan,Wei Pan.  中國通信. 2019(02)
[2]一種基于混合高斯模型的多目標(biāo)進(jìn)化算法[J]. 周愛民,張青富,張桂戌.  軟件學(xué)報(bào). 2014(05)

博士論文
[1]演化算法中基于分類的預(yù)選擇策略研究[D]. 張晉媛.華東師范大學(xué) 2018



本文編號(hào)：3209986