当前位置:主页 > 管理论文 > 领导决策论文 >

基于小生境粒子群的多模进化算法的研究

发布时间:2021-03-06 01:47
  现实世界中有许多优化问题需要寻找尽可能多的全局最优解,如电力系统[1]、蛋白质结构预测[2]、数据挖掘[3,4,5]。这些问题被称为多模优化问题(MMOPs)。关于多模优化问题,有两个方面值得我们注意。第一个方面,对于大多数多模优化算法,如果所需的精度很高,那么即使最终的解收敛于它们附近,它们也无法找到精确的最优值。第二个方面,许多算法都难以探索到全部区域,容易错过一些山峰。特别是对于某些尖峰,其峰所占据的决策空间非常小,粒子很难探索到这些峰所在的区域。在进化计算领域,对于处理多模优化问题而言,大部分算法都是基于小生境技术的,因此,在本文中介绍了几种风格完全不同的解决这类问题的算法,为解决多模问题提供多种不同思路。一种定位多个解的多模多目标优化算法(MOMMOP)和退化识别的克隆免疫算法(DR_CR)是用来解决单目标多模问题的算法,基于分解思想的进化算法(MOEA/D_AD)以及环形拓扑多目标粒子群算法(MO_Ring_PSO_SCD)是用来解决多目标多模问题的算法。除了MOMMOP算法,以上这些解决多模问题的算法思想的... 

【文章来源】:湘潭大学湖南省

【文章页数】:45 页

【学位级别】:硕士

【部分图文】:

基于小生境粒子群的多模进化算法的研究


单目标优化问题函数图像示例

局部图,局部图,全局


2的图像。图1.1单目标优化问题函数图像示例如图1.1中红色的点代表函数的最高峰,从图像中不难看出,对于单目标多模问题而言,有多个全局最优解。对于这一类问题而言有两个困难,第一个是要找到尽可能多的全局最优解,第二个是保证找到的解的精度。如图1.2(a)中,红色的点表示算法需要找到的所有全局最优解,图1.2(b)中表示,将1.2(a)中某一个山峰局部放大之后情况,可以看到表面上很接近最高峰的点,离真实的最高峰还是有一定的距离,所以要想最后找到的解接近真实精确的最高点是一个不小的挑战。图1.2局部图

原理图,算法,原理,多目标优化


婕暗蕉喔鲎钣沤猓??搜罢宜?械娜?肿钣沤猓??多小生境的方法被提出并且与进化算法相结合。在本小节内容当中,对于MMOPs我们介绍一种基于多目标优化的一种新的转化技术,称为一种定位多个解的多模多目标优化算法(MOMMOP)[28]。MOMMOP将单目标多模优化问题转化成有两个相互冲突多目标问题。经过上述转化后,MMOP的所有最优解都成为转化之后的Pareto最优解。这样,多目标进化算法能够轻而易举去寻找转化之后的一组Pareto最优解,作为结果,多个MMOP的最优解,能够同时被定位。其实在原理上,MOMMOP也是一种小生境技术。图2.1MOMMOP算法原理示意图1如图2.1(a)所示,横轴代表决策变量x的取值,纵轴代表对应的目标函数值。从左图可以看到,这个函数图像有五个最高峰,分别用圆形,三角形,菱形,五角形,正方形表示。如图2.1(b)所示,图像表示将2.1(a)中对应的形状位置的点,经过转化之后的对应位置示意图。在图2.1(b)中,圆形,三角形,菱形,五角形,正方形所在的点根据Pareto支配关系是它们是互不支配的,也就是说这个五个点都为同等优的点,根据进化算法的理论,可以同时保留下这五个点,而这五个点恰好是图2.1(a)中,五


本文编号:3066226

资料下载
论文发表

本文链接:https://www.wllwen.com/guanlilunwen/lindaojc/3066226.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户e51fe***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com