基于分解的多目标组合优化算法的研究
发布时间：2021-01-24 05:45
多目标组合优化问题在现实世界中大量存在,设计高效算法来解决该类问题具有重要的实际意义。本文着重于基于分解的多目标组合优化算法的研究,主要内容包含如下两个部分:第一,现有解决多目标组合优化问题的基本算法Pareto局部搜索,在运行过程中具有极高的时间、空间复杂度,易陷入局部最优且可拓展性差等缺陷。针对这些问题,本文提出了一种参考线指导的Pareto局部搜索算法（RLG-PLS）。RLG-PLS使用基于分解的算法框架,一组预设的参考线来指导搜索的方向并用以保持种群的多样性。该算法在运行过程中会维持着两个种群,分别为最贴近参考线的解所构成的外部集合以及作为Pareto局部搜索的起始解集合。在没有新解加入至外部集合中时,就会插入新的参考线以试图帮助当前解跳出局部最优。通过对比实验,可以证实RLG-PLS不论是在最终的结果还是运行效率上均要优于所比较的算法。第二,通过结合使用基于分解的多目标优化算法（MOEA/D）,局部搜索方法可以轻易地被用来解决多目标组合优化问题。然而,MOEA/D通常使用的分解方法,如加权和（WS）,切比雪夫（TCH）以及基于惩罚的边界交叉法（PBI）等,由于其对于多样性保...
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
参考线指导PLS示意图
这三种算法中局部搜索能力是最好的。对于 DCDG-MOMA，由于当中的K 值是变化的，在一开始 值比较小，根据 4.3.6 中可知 值小的话对应的起始种群SP 的大小也会受限。所以在一开始起始解的数目会比较的少，而随着代数的增加， 值也会慢慢变大，进而导致了起始解的数目的不断增大。总体来说，DCDG-MOMA 算法的局部搜索的能力介于 PLS 和 MOEA/D-LS（WS，TCH，PBI）之间，但由于 PLS 的计算复杂度太高，效率偏低。而 MOEA/D-LS（WS，TCH，PBI）又会过早结束，局部搜索能力较弱。结合最后的结果指标以及上述的分析，我们可以认为 DCDG-MOMA 在这些算法中有着比较优越的局部搜索能力。（a）候选集合 （b）PLS （c）DCDG-MOMA
基于分解的多目标组合优化算法的研究机含有七个设备的安装位置[88]，分别为：AVIONICS-BAY， MID-LEFT，MID-RIGHT，TAIL-LEFT 以及 TAIL-RIGHT。而我设备在不违反约束的前提下安放至这七个位置上，使得两个优化中断总成本能够达到最小。在这里，所有的测试用例均来自于文测试用例 14-7 表示为有 14 个设备需要安放至这 7 个位置上，且图 4.14 所示为在 14-7 例子中的一种可行配置方案示意图。
本文编号：2996691
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
参考线指导PLS示意图
这三种算法中局部搜索能力是最好的。对于 DCDG-MOMA，由于当中的K 值是变化的，在一开始 值比较小，根据 4.3.6 中可知 值小的话对应的起始种群SP 的大小也会受限。所以在一开始起始解的数目会比较的少，而随着代数的增加， 值也会慢慢变大，进而导致了起始解的数目的不断增大。总体来说，DCDG-MOMA 算法的局部搜索的能力介于 PLS 和 MOEA/D-LS（WS，TCH，PBI）之间，但由于 PLS 的计算复杂度太高，效率偏低。而 MOEA/D-LS（WS，TCH，PBI）又会过早结束，局部搜索能力较弱。结合最后的结果指标以及上述的分析，我们可以认为 DCDG-MOMA 在这些算法中有着比较优越的局部搜索能力。（a）候选集合 （b）PLS （c）DCDG-MOMA
基于分解的多目标组合优化算法的研究机含有七个设备的安装位置[88]，分别为：AVIONICS-BAY， MID-LEFT，MID-RIGHT，TAIL-LEFT 以及 TAIL-RIGHT。而我设备在不违反约束的前提下安放至这七个位置上，使得两个优化中断总成本能够达到最小。在这里，所有的测试用例均来自于文测试用例 14-7 表示为有 14 个设备需要安放至这 7 个位置上，且图 4.14 所示为在 14-7 例子中的一种可行配置方案示意图。
本文编号：2996691
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2996691.html
