复杂问题的多目标进化优化算法研究
发布时间：2023-08-17 18:38
多目标优化问题在优化领域中是难以解决的瓶颈问题。多目标进化算法是一类基于种群的自然启发的随机算法,具有单次运行可输出问题解集的优点,因此多目标进化算法蓬勃发展,已成为解决多目标优化问题的主流算法。可是,复杂多目标优化问题仍是多目标进化算法的挑战。多目标优化问题的复杂性源于两个方面,即决策和目标空间的复杂性。决策变量间的关联增加了问题困难程度,目标空间的高维度使得Pareto支配关系失效,以及目标空间内的观测噪声误导算法。针对以上两类复杂问题,本文进行相关的探索,完成了具有国际同行认可的工作,主要研究成果有：1.针对决策空间复杂的多目标优化问题,本文提出了一种基于方向向量的多目标协同进化算法。该算法将方向向量概念引入协同进化算法中,首先将整个种群根据目标空间上的初始方向向量将种群划分成若干子群,个体根据其方向向量分配所属子群,然后通过子群间的协同互动求解问题,最后,在欠开发地区内搜索增加多样性。实验结果表明,该算法对于此类问题在收敛性、多样性和均匀性上相比于已有算法具有一定优势。2.多目标优化问题中决策变量和目标函数间具有复杂的映射关系。通常,一决策变量对不同目标函数的影响不同。因此,这...
【文章页数】：167 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 多目标优化问题
1.2 多目标进化算法简介
1.2.1 基于Pareto的多目标进化算法
1.2.2 基于指标的多目标进化算法
1.2.3 基于分解的多目标进化算法
1.3 多目标进化算法的评价测度
1.3.1 收敛性
1.3.2 多样性
1.3.3 均匀性
1.3.4 混合型
1.4 研究难点及现状
1.4.1 决策空间复杂的多目标优化问题
1.4.2 目标空间复杂的多目标优化问题
1.5 本文主要工作与结构安排
第二章 基于方向向量的多目标协同进化算法
2.1 引言
2.2 方向向量
2.3 基于方向向量的多目标协同进化算法
2.3.1 子群划分
2.3.2 适应度分配
2.3.3 竞争算子
2.3.4 合作算子
2.3.5 外部集启发式搜索
2.3.6 算法结构
2.3.7 本章算法与MOEA/D对比分析
2.4 算法有效性验证与结果分析
2.4.1 参数设置
2.4.2 对比实验
2.5 本章小结
第三章 基于决策空间维数约减的密母局部搜索策略
3.1 引言
3.2 决策子空间
3.3 决策空间可约减的多目标优化问题
3.3.1 决策空间可严格约减的多目标优化问题
3.3.2 决策空间可弱约减的多目标优化问题
3.3.3 约减率
3.4 基于决策空间维数约减的密母局部搜索策略
3.4.1 基本框架
3.4.2 关系分析方法
3.4.3 密母局部搜索策略
3.4.4 可移植性
3.5 算法有效性验证与结果分析
3.5.1 参数分析
3.5.2 两种密母局部搜索策略分析实验
3.5.3 对比实验
3.6 本章小结
第四章 基于角解优先的高维多目标非支配排序方法
4.1 引言
4.2 相关背景
4.2.1 角解
4.2.2 相关方法
4.3 基于角解优先的非支配排序方法
4.3.1 基本框架
4.3.2 排序方法
4.3.3 高维多目标优化问题的优势
4.4 算法有效性验证与结果分析
4.4.1 云数据
4.4.2 固定前端数据
4.4.3 混合数据
4.4.4 实际数据
4.4.5 讨论与分析
4.5 本章小结
第五章 基于非线性相关信息熵测度的目标约减方法
5.1 引言
5.2 矛盾与冗余目标
5.3 非线性相关信息熵
5.4 基于非线性相关信息熵测度的目标约减方法
5.4.1 基本框架
5.4.2 相关性分析方法
5.4.3 目标选择与分类方法
5.5 实验结果与分析
5.5.1 算法分析
5.5.2 对比实验
5.6 本章小结
第六章 一种双档案高维多目标进化算法
6.1 引言
6.2 档案算法简介
6.2.1 基本框架
6.2.2 优点与缺点
6.3 一种双档案高维多目标进化算法
6.3.1 基本框架
6.3.2 收敛性档案选择方法
6.3.3 多样性档案选择方法
6.4 算法有效性验证与结果分析
6.4.1 算法分析
6.4.2 对比实验
6.5 本章小结
第七章 重要区域优先的最底点估计方法
7.1 引言
7.2 相关定义
7.3 重要区域优先的最底点估计方法
7.3.1 重要区域定义
7.3.2 基本框架
7.3.3 算法细节
7.4 算法有效性验证与结果分析
7.4.1 自适应ε-删除策略实验
7.4.2 运算量和精确度实验
7.4.3 移植性实验
7.5 本章小结
第八章 含噪多目标优化问题的正则模型
8.1 引言
8.2 正则模型简介
8.3 正则模型的去噪能力分析
8.4 含噪多目标优化问题的正则模型
8.4.1 模型构建
8.4.2 采样方法
8.4.3 模型嵌入方法
8.5 算法有效性验证与结果分析
8.5.1 算法分析
8.5.2 对比实验
8.6 本章小结
第九章 总结与展望
参考文献
致谢
作者简介
本文编号：3842356
【文章页数】：167 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 多目标优化问题
1.2 多目标进化算法简介
1.2.1 基于Pareto的多目标进化算法
1.2.2 基于指标的多目标进化算法
1.2.3 基于分解的多目标进化算法
1.3 多目标进化算法的评价测度
1.3.1 收敛性
1.3.2 多样性
1.3.3 均匀性
1.3.4 混合型
1.4 研究难点及现状
1.4.1 决策空间复杂的多目标优化问题
1.4.2 目标空间复杂的多目标优化问题
1.5 本文主要工作与结构安排
第二章 基于方向向量的多目标协同进化算法
2.1 引言
2.2 方向向量
2.3 基于方向向量的多目标协同进化算法
2.3.1 子群划分
2.3.2 适应度分配
2.3.3 竞争算子
2.3.4 合作算子
2.3.5 外部集启发式搜索
2.3.6 算法结构
2.3.7 本章算法与MOEA/D对比分析
2.4 算法有效性验证与结果分析
2.4.1 参数设置
2.4.2 对比实验
2.5 本章小结
第三章 基于决策空间维数约减的密母局部搜索策略
3.1 引言
3.2 决策子空间
3.3 决策空间可约减的多目标优化问题
3.3.1 决策空间可严格约减的多目标优化问题
3.3.2 决策空间可弱约减的多目标优化问题
3.3.3 约减率
3.4 基于决策空间维数约减的密母局部搜索策略
3.4.1 基本框架
3.4.2 关系分析方法
3.4.3 密母局部搜索策略
3.4.4 可移植性
3.5 算法有效性验证与结果分析
3.5.1 参数分析
3.5.2 两种密母局部搜索策略分析实验
3.5.3 对比实验
3.6 本章小结
第四章 基于角解优先的高维多目标非支配排序方法
4.1 引言
4.2 相关背景
4.2.1 角解
4.2.2 相关方法
4.3 基于角解优先的非支配排序方法
4.3.1 基本框架
4.3.2 排序方法
4.3.3 高维多目标优化问题的优势
4.4 算法有效性验证与结果分析
4.4.1 云数据
4.4.2 固定前端数据
4.4.3 混合数据
4.4.4 实际数据
4.4.5 讨论与分析
4.5 本章小结
第五章 基于非线性相关信息熵测度的目标约减方法
5.1 引言
5.2 矛盾与冗余目标
5.3 非线性相关信息熵
5.4 基于非线性相关信息熵测度的目标约减方法
5.4.1 基本框架
5.4.2 相关性分析方法
5.4.3 目标选择与分类方法
5.5 实验结果与分析
5.5.1 算法分析
5.5.2 对比实验
5.6 本章小结
第六章 一种双档案高维多目标进化算法
6.1 引言
6.2 档案算法简介
6.2.1 基本框架
6.2.2 优点与缺点
6.3 一种双档案高维多目标进化算法
6.3.1 基本框架
6.3.2 收敛性档案选择方法
6.3.3 多样性档案选择方法
6.4 算法有效性验证与结果分析
6.4.1 算法分析
6.4.2 对比实验
6.5 本章小结
第七章 重要区域优先的最底点估计方法
7.1 引言
7.2 相关定义
7.3 重要区域优先的最底点估计方法
7.3.1 重要区域定义
7.3.2 基本框架
7.3.3 算法细节
7.4 算法有效性验证与结果分析
7.4.1 自适应ε-删除策略实验
7.4.2 运算量和精确度实验
7.4.3 移植性实验
7.5 本章小结
第八章 含噪多目标优化问题的正则模型
8.1 引言
8.2 正则模型简介
8.3 正则模型的去噪能力分析
8.4 含噪多目标优化问题的正则模型
8.4.1 模型构建
8.4.2 采样方法
8.4.3 模型嵌入方法
8.5 算法有效性验证与结果分析
8.5.1 算法分析
8.5.2 对比实验
8.6 本章小结
第九章 总结与展望
参考文献
致谢
作者简介
本文编号：3842356
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3842356.html