發(fā)布時間：2024-05-23 01:27

　　動態(tài)多目標(biāo)優(yōu)化問題普遍存在于工業(yè)生產(chǎn)和日常生活中,該類問題具有多個相互沖突且隨時間變化的目標(biāo)函數(shù),這些目標(biāo)函數(shù)通常具有多模態(tài)特性,還可能包含不確定參數(shù),此外,這類問題決策變量的維數(shù)也可能隨時間變化,從而大大增加了問題求解的難度。如果直接應(yīng)用傳統(tǒng)的多目標(biāo)優(yōu)化方法求解動態(tài)多目標(biāo)優(yōu)化問題,那么,由于缺乏有針對性的問題變化檢測及響應(yīng)機(jī)制,問題的求解效果難以滿足需求。鑒于此,本文針對不同類型的動態(tài)多目標(biāo)優(yōu)化問題,研究高效的問題變化檢測及響應(yīng)策略,提出4類動態(tài)多目標(biāo)進(jìn)化優(yōu)化方法,并應(yīng)用于實際問題的求解。首先,針對傳統(tǒng)的動態(tài)多目標(biāo)優(yōu)化問題,提出基于時間依賴分析的動態(tài)多目標(biāo)合作型協(xié)同進(jìn)化優(yōu)化方法。該方法基于決策變量與時間的依賴性分析,將決策變量分為兩組,即時間依賴決策變量和時間無關(guān)決策變量;針對不同組的決策變量,采用不同的子種群協(xié)同優(yōu)化;當(dāng)問題變化時,分別采用差分預(yù)測和柯西變異,預(yù)測這兩組變量在下一時刻的初始進(jìn)化種群,以生成新問題的高質(zhì)量初始解。將所提方法應(yīng)用于7個基準(zhǔn)優(yōu)化問題中,并與3種經(jīng)典算法比較。實驗結(jié)果表明,所提方法解決可分問題時具有更好的性能。然后,針對區(qū)間參數(shù)隨時間變化的動態(tài)多目標(biāo)優(yōu)化問題...

【文章頁數(shù)】：140 頁

【學(xué)位級別】：博士

【部分圖文】：

圖3–2完整解的構(gòu)建Figure3–2Constructionofcompletesolutions

秩篜1中第i個待評價個體p1i為例，介紹其適應(yīng)度值計算方法。首先，從種群P2中隨機(jī)選擇N1個非劣解，作為代表個體，并將待評價個體分別與N1個代表個體合作，構(gòu)成N1個完整解；然后，計算這些完整解的目標(biāo)函數(shù)值，比較它們的Pareto支配關(guān)系，選擇勝出解的函數(shù)值為p1i的適應(yīng)度值。如果....

圖3–3F1-F7的真

3基于時間依賴分析的動態(tài)多目標(biāo)協(xié)同進(jìn)化優(yōu)化(a)F1的真實前沿(b)F2的真實前沿(c)F3的真實前沿（d）F4的真實前沿（e）F5和F6的真實前沿（f）F7的真實前沿圖3–3F1-F7的真實Pareto前沿Figure3–3TruePF(t)sofF1-F7表3–2參數(shù)設(shè)置Ta....

圖6–2DMOP1、DMOP4及DMOP7的真實前沿

6決策變量變化的動態(tài)多目標(biāo)協(xié)同進(jìn)化優(yōu)化(a)DMOP1與DMOP4的真實前沿(b)DMOP7的真實前沿圖6–2DMOP1、DMOP4及DMOP7的真實前沿Figure6–2TruePF(t)sofDMOP1,DMOP4,andDMOP7MOEA/DVA及LMEA進(jìn)行比較，以此說明....

圖7–1不同算法求解投資

博士學(xué)位論文表7–36支證券的預(yù)期收益率區(qū)間及固有風(fēng)險損失率區(qū)間Table7–3Theexpectedreturnrateandrisklossrateofthesixsecurities股票名稱預(yù)期收益率區(qū)間固有風(fēng)險損失率區(qū)間證券1[0.0293,0.0596][0.0065,....

本文編號：3980807