基于规则模型学习的多目标分布估计算法研究

发布时间：2021-05-13 21:15

　　连续多目标优化问题在决策空间的Pareto最优解（PS）和目标空间中的pareto最优前沿（PF）均是一个连续分段的（m-1）维流形体（m是目标函数的个数）。根据这一分布规则特征,先后有学者提出了基于规则模型的多目标分布估计算法（RM-MEDA）和基于高斯过程的逆模型多目标优化算法（IM-MOEA）。这两种算法非常适于求解变量相关的复杂多目标优化问题,但仍存在一定的不足。其一,RM-MEDA根据种群的整体统计信息建立模型,忽略了种群中某些优秀解的局部信息,导致算法在求解一些复杂多目标优化问题时全局搜索能力弱,收敛速度慢;其二,IM-MOEA中的逆模型在求解PS或PF存在极端的非平滑性的多目标优化问题时表现劣势;其三,RM-MEDA中的学习模型在种群分布没有明显规律的情况下表现不佳。基于以上分析,本文的研究内容主要有两个方面。（1）为了弥补RM-MEDA忽略解的局部信息的不足,在算法中加入了直接使用个体信息的差分演化（DE）操作算子,设计了一种改进的RM-MEDA（MRM-MEDA）。MRM-MEDA将分布估计算法的建模采样方式和DE的交叉变异进化方式相结合,丰富了个体的繁殖方式,在进化... 

【文章来源】：西安理工大学陕西省

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 传统的多目标演化算法的国内外研究现状
        1.2.2 多目标分布估计算法的国内外研究现状
    1.3 论文研究内容及组织结构
2 相关理论
    2.1 多目标优化问题
    2.2 多目标优化算法中的精英选择策略
        2.2.1 快速非支配排序
        2.2.2 拥挤距离
    2.3 多目标优化问题中的规则属性
    2.4 本章小结
3 改进的基于规则模型的多目标分布估计算法
    3.1 RM-MEDA算法分析
        3.1.1 算法流程
        3.1.2 建模过程
        3.1.3 采样过程
    3.2 改进动机
    3.3 差分演化
    3.4 改进的RM-MEDA
        3.4.1 自适应选择策略
        3.4.2 变异策略
        3.4.3 改进后的算法流程
    3.5仿真实验
        3.5.1 测试函数
        3.5.2 性能评价指标
        3.5.3 对比算法与参数设置
        3.5.4 实验结果与分析
    3.6 本章小结
4 集成规则模型的分布估计算法研究
    4.1 IM-MOEA算法分析
    4.2 研究动机
    4.3 基于规则集成模型的RM-IM-EDA
        4.3.1 算法流程
        4.3.2 基于序列的确定化初始化方法
        4.3.3 规则模型的集成
    4.4 实验研究
        4.4.1 对比算法与参数设置
        4.4.2 实验结果与分析
    4.5 本章小结
5 研究总结与展望
    5.1 论文工作总结
    5.2 未来工作展望
致谢
参考文献
附录1
攻读硕士期间主要研究成果


【参考文献】：
期刊论文
[1]基于精英协同的多种群分布估计算法[J]. 周丹,谢敏,刘方,韦剑.  计算机应用与软件. 2017(01)

博士论文
[1]求解高维多目标优化问题的流形学习算法研究[D]. 詹炜.中国地质大学 2013

硕士论文
[1]分布估计算法中差分采样策略的研究[D]. 董兵.华东师范大学 2017
[2]基于改进NSGA-Ⅱ算法的多目标FJSP研究[D]. 崔庆勇.昆明理工大学 2015
[3]基于分解的混合多目标进化算法的研究与应用[D]. 赵晶晶.安徽理工大学 2013
[4]改进的多目标分布式估计算法在水火电系统负荷分配的应用[D]. 许霞.西安电子科技大学 2013
[5]基于规则模型的多目标分布估计算法研究[D]. 向健.中南大学 2011
[6]基于规则模型的分布估计多目标算法及应用[D]. 王剑文.中国地质大学 2009



本文编号：3184718