基于模型的多目标算法研究及其在基因网络的应用

发布时间：2021-08-07 00:21

　　在工程、生产、科研等各个领域中存在大量的优化问题,其中存在着一类需要同时优化多个目标的优化问题,简称多目标优化问题。在这类多目标优化问题中每个目标往往都具有非线性、不可微的特性,并且这些目标之间相互牵制。因此传统解决单目标优化问题的方法已不再适用于处理多目标优化问题。目前处理这类问题使用最多的方法是多目标进化算法。它在每次优化中得到的不再是某个单一的最优解,而是一组权衡各个目标信息折中的解的集合（在目标空间称为Pareto前沿）。多目标进化算法是基于自然界中生物进化理论而提出的,算法中主要包括选择、交叉、变异三大步骤。近年来,学者们基于这三个步骤,探究了很多相关算法。本文首先对交叉操作中的传统重组算子（Simulated Binary Crossover,SBX;Differential Evolution,DE）进行了分析,然后利用数理统计知识将重组算子模型化,改变了传统重组算子一直被人质疑缺乏数学理论基础的看法。该方法主要是利用分析出来的搜索模式,使用数理统计中采样点的方式重新构建重组算子的搜索模式,最后再利用构建的搜索模型产生子代。这样模型化的重组算子不仅能保证重组算子原本的搜索... 

【文章来源】：深圳大学广东省

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 多目标算法研究的相关信息
    1.3 本文的研究内容与论文结构
        1.3.1 主要工作
        1.3.2 论文结构
第2章 相关概念和研究现状
    2.1 多目标优化算法的基本概念
        2.1.1 多目标优化算法的基本概念
        2.1.2 多目标优化算法基本流程
    2.2 多目标算法研究的相关方法
    2.3 重组算子的介绍
        2.3.1 传统重组算子
        2.3.2 基于概率模型的重组算子
        2.3.3 逆模型重组算子
第3章 传统重组算子在多目标算法中的模型化
    3.1 引言
    3.2 相关数学知识的介绍
        3.2.1 期望和协方差计算
        3.2.2 随机数生成方法
    3.3 传统重组算子模型化
        3.3.1 SBX重组算子及其模型化方法介绍
        3.3.2 DE重组算子及其模型化方法介绍
    3.4 模型化算子在算法框架中的应用
        3.4.1 模型化算子在NSGA-Ⅱ的使用
        3.4.2 模型化算子在MOEA/D的使用
    3.5 实验结果
        3.5.1 参数的设置以及评价指标的介绍
        3.5.2 传统重组算子与模型化算子的比较
    3.6 本章小结
第4章 高斯重组算子介绍与改进
    4.1 引言
    4.2 高斯重组算子介绍
    4.3 高斯重组算子相关研究
    4.4 MOEA/D-AMG算法介绍
        4.4.1 自适应策略
        4.4.2 MOEA/D-AMG算法框架
    4.5 实验结果分析
        4.5.1 MOEA/D-AMG与其他算法比较
        4.5.2 自适应方法分析
    4.6 本章小结
第5章 多目标算法在基因网络比对的应用
    5.1 引言
    5.2 问题定义和模型构建
        5.2.1 问题描述
        5.2.2 模型的构建
    5.3 算法的介绍
        5.3.1 编码方式
        5.3.2 相关概念定义
        5.3.3 算法框架
        5.3.4 初始化和交叉操作
    5.4 实验结果与分析
        5.4.1 数据集介绍
        5.4.2 比较算法说明
        5.4.3 评价指标
        5.4.4 参数设置
        5.4.5 实验结果与分析
    5.5 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读硕士学位期间的研究成果



本文编号：3326775