昂贵区间多目标优化决策空间及目标空间数据融合策略
发布时间:2021-11-20 13:24
在实际生活和工程项目中,人们经常会遇到使多个目标在给定区域同时获得最佳的优化问题,这些目标常常相互冲突,这类问题称作多目标优化问题(Multi-objective optimization problems,MOP)。从多目标优化问题被提出,进化算法一直作为解决此类问题的最有效手段,但是这类进化算法求解对象大部分为已知优化函数的确定性问题。而实际工程优化问题与此不同,优化函数经常是未知的,且评估实验成本昂贵;优化函数中经常含有可用区间表示的不确定变量。本文将以上两个问题归纳为“昂贵区间多目标优化问题”。针对该问题本文主要做如下改进:(1)在模型建模数据不充足的情况下,针对优化函数未知的昂贵区间多目标优化问题,根据决策空间数据挖掘,提出了一种基于主曲线建模的NSGA-II算法。该算法首先利用K主曲线描述决策空间种群分布数据流形。然后利用主曲线模型通过插值和延展的方法生成子代,与遗传算法的随机生成子代策略相比,通过确定性数据挖掘生成有效子代效率会更高。由于目标空间拥挤距离无法求出,为此利用K主曲线模型筛选出与待测解距离最近的前、后相邻解,实现了在决策空间对同序值待测解的筛选,进而完成了对区...
【文章来源】:燕山大学河北省
【文章页数】:64 页
【学位级别】:硕士
【部分图文】:
Pareto前沿示意图
图 2-1Pareto 前沿示意图离距离公式如下: 221 2,3 3rm i m jd f f D F T x ,u x ,u cm j fx ,u , 22r rm i m jF f x ,u fx ,u , T 集的部分,rT 表示T 的半径。群解序值相同时,计算解与其各自相邻的21 11[ ( , ), ( , )]zi i im mmSD df f x u xu挤距离的解的序号,m 代表在第m 维方向上与i最近的两个解。优化函数维数为 2 的时候,种群解ix 的区间
第 2 章 区间多目标优化问题概述序后种群前 pop 个种群解形成新的种群,并令新种群为 N(k 7 进行分支判断,如果k G,转至步骤 8 继续执行,否则,2 继续执行。 8 输出得到 Pareto 前沿。
【参考文献】:
期刊论文
[1]蒸汽动力系统柔性设计和多目标优化研究进展[J]. 李帅,姜晓滨,贺高红,肖武,吕俊锋,史朝霞,罗立. 化工进展. 2017(06)
[2]区域多微网系统的多目标优化调度方法[J]. 王守相,吴志佳,袁霜晨,庄剑. 电力系统及其自动化学报. 2017(05)
[3]考虑低谷时刻负调峰能力及风电预测区间的多目标机组组合优化研究[J]. 向红吉,戴朝华,明杰,邬明亮,赵传,陈维荣. 电网技术. 2017(06)
[4]城轨列车多目标优化控制算法研究与仿真[J]. 孟建军,裴明高,武福,韦腾舟,郝帅. 系统仿真学报. 2017(03)
[5]基于多目标优化的机场行李运输车辆调度问题研究[J]. 衡红军,晏晓东,王芳,李海丰. 计算机应用与软件. 2017(02)
[6]求解昂贵区间多目标优化问题的高斯代理模型[J]. 陈志旺,白锌,杨七,黄兴旺,李国强. 控制理论与应用. 2016(10)
[7]区间多目标优化中决策空间约束、支配及同序解筛选策略[J]. 陈志旺,白锌,杨七,黄兴旺,李国强. 自动化学报. 2015(12)
[8]基于样本密度和分类误差率的增量学习矢量量化算法研究[J]. 李娟,王宇平. 自动化学报. 2015(06)
[9]基于集合经验模式分解和遗传-高斯过程回归的短期风速概率预测[J]. 甘迪,柯德平,孙元章,崔明建. 电工技术学报. 2015(11)
[10]深层神经网络中间层可见化建模[J]. 高莹莹,朱维彬. 自动化学报. 2015(09)
博士论文
[1]基于多目标差分进化的分子对接算法研究[D]. 徐淑坦.吉林大学 2015
[2]进化算法及智能数据挖掘若干问题研究[D]. 张捷.西安电子科技大学 2013
[3]基于区间的不确定性优化理论与算法[D]. 姜潮.湖南大学 2008
硕士论文
[1]昂贵区间多目标优化数据挖掘求解策略[D]. 白锌.燕山大学 2015
[2]基于视觉感知的行为识别方法的研究与实现[D]. 肖燕霞.电子科技大学 2014
[3]基于NSGA-II的含风电场电力系统多目标调度计划研究[D]. 罗斌.长沙理工大学 2013
[4]基于遗传算法的流域空间数据挖掘[D]. 彭晶倩.武汉理工大学 2006
本文编号:3507415
【文章来源】:燕山大学河北省
【文章页数】:64 页
【学位级别】:硕士
【部分图文】:
Pareto前沿示意图
图 2-1Pareto 前沿示意图离距离公式如下: 221 2,3 3rm i m jd f f D F T x ,u x ,u cm j fx ,u , 22r rm i m jF f x ,u fx ,u , T 集的部分,rT 表示T 的半径。群解序值相同时,计算解与其各自相邻的21 11[ ( , ), ( , )]zi i im mmSD df f x u xu挤距离的解的序号,m 代表在第m 维方向上与i最近的两个解。优化函数维数为 2 的时候,种群解ix 的区间
第 2 章 区间多目标优化问题概述序后种群前 pop 个种群解形成新的种群,并令新种群为 N(k 7 进行分支判断,如果k G,转至步骤 8 继续执行,否则,2 继续执行。 8 输出得到 Pareto 前沿。
【参考文献】:
期刊论文
[1]蒸汽动力系统柔性设计和多目标优化研究进展[J]. 李帅,姜晓滨,贺高红,肖武,吕俊锋,史朝霞,罗立. 化工进展. 2017(06)
[2]区域多微网系统的多目标优化调度方法[J]. 王守相,吴志佳,袁霜晨,庄剑. 电力系统及其自动化学报. 2017(05)
[3]考虑低谷时刻负调峰能力及风电预测区间的多目标机组组合优化研究[J]. 向红吉,戴朝华,明杰,邬明亮,赵传,陈维荣. 电网技术. 2017(06)
[4]城轨列车多目标优化控制算法研究与仿真[J]. 孟建军,裴明高,武福,韦腾舟,郝帅. 系统仿真学报. 2017(03)
[5]基于多目标优化的机场行李运输车辆调度问题研究[J]. 衡红军,晏晓东,王芳,李海丰. 计算机应用与软件. 2017(02)
[6]求解昂贵区间多目标优化问题的高斯代理模型[J]. 陈志旺,白锌,杨七,黄兴旺,李国强. 控制理论与应用. 2016(10)
[7]区间多目标优化中决策空间约束、支配及同序解筛选策略[J]. 陈志旺,白锌,杨七,黄兴旺,李国强. 自动化学报. 2015(12)
[8]基于样本密度和分类误差率的增量学习矢量量化算法研究[J]. 李娟,王宇平. 自动化学报. 2015(06)
[9]基于集合经验模式分解和遗传-高斯过程回归的短期风速概率预测[J]. 甘迪,柯德平,孙元章,崔明建. 电工技术学报. 2015(11)
[10]深层神经网络中间层可见化建模[J]. 高莹莹,朱维彬. 自动化学报. 2015(09)
博士论文
[1]基于多目标差分进化的分子对接算法研究[D]. 徐淑坦.吉林大学 2015
[2]进化算法及智能数据挖掘若干问题研究[D]. 张捷.西安电子科技大学 2013
[3]基于区间的不确定性优化理论与算法[D]. 姜潮.湖南大学 2008
硕士论文
[1]昂贵区间多目标优化数据挖掘求解策略[D]. 白锌.燕山大学 2015
[2]基于视觉感知的行为识别方法的研究与实现[D]. 肖燕霞.电子科技大学 2014
[3]基于NSGA-II的含风电场电力系统多目标调度计划研究[D]. 罗斌.长沙理工大学 2013
[4]基于遗传算法的流域空间数据挖掘[D]. 彭晶倩.武汉理工大学 2006
本文编号:3507415
本文链接:https://www.wllwen.com/guanlilunwen/lindaojc/3507415.html