基于群智协同进化的多目标组合优化研究与应用

发布时间：2021-11-20 06:05

　　现实世界中存在大量需要同时优化多个目标的问题。多目标优化问题存在一组对各个目标折衷的解集,它们在目标域的投影一般称为Pareto前沿（PF）。基于分解的多目标优化算法（MOEA/D）将一个多目标优化问题分解成一系列简单的单目标优化子问题,然后通过协作的方式同时解决子问题进而得到用于近似PF的解集。作为组合优化问题的常用方法,局部搜索可以通过MOEA/D框架中扩展应用于组合多目标优化问题。本论文结合MOEA/D框架以及协同群智的局部搜索,设计算法求解多目标组合优化问题,包括以下主要内容:1.在组合优化问题中常存在的尖峰和长尾帕累托前沿（Pareto前沿）情形,使用MOEA/D求解时得到解集通常多样性不是很好。针对上述问题,论文设计了一个均匀分布参考点的多种群局部搜索（URPLS-MP）算法。URPLS-MP算法先利用m（目标数）个种群粗略确定问题的一个最小个体凸集（CHIM）,再利用标准边界插值（NBI）方法在CHIM上生成一组均匀分布的参考点,结合由极值点（nadir point）指向理想点（ideal point）的方向向量新构造一个种群迭代得到最终结果。对比实验表明了URPLS-M... 

【文章来源】：南京航空航天大学江苏省 211工程院校

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
注释表
缩略词
第一章 绪论
    1.1 引言
    1.2 国内外研究现状
    1.3 论文贡献
    1.4 论文结构
第二章 多目标优化背景介绍
    2.1 多目标优化问题
        2.1.1 多目标优化问题的定义
        2.1.2 多目标优化的相关概念
        2.1.3 多目标优化算法的性能度量标准
    2.2 多目标优化算法
        2.2.1 多目标优化算法沿革
        2.2.2 多目标进化算法
    2.3 局部搜索技术
    2.4 组合优化测试问题集
        2.4.1 多目标旅行商问题集
        2.4.2 多目标背包问题集
        2.4.3 多目标二次型分配问题集
    2.5 算法性能评价指标
    2.6 本章小结
第三章 均匀分布参考点的多种群局部搜索算法
    3.1 引言
    3.2 基于分解的MOEA中聚合方法的变种
    3.3 相关工作与算法设计动机
    3.4 基于均匀分布参考点的多种群局部搜索算法
        3.4.1 算法框架
        3.4.2 生成均匀参考点
        3.4.3 局部搜索
    3.5 实验分析
        3.5.1 试验参数设置与度量指标
        3.5.2 实验结果与分析
    3.6 本章小结
第四章 协同群智多目标局部搜索算法
    4.1 引言
    4.2 协同进化算法
    4.3 相关工作与算法设计动机
    4.4 基于协同群智的多目标局部搜索算法
        4.4.1 算法框架
        4.4.2 局部搜索
        4.4.3 协作生成方向向量
        4.4.4 更新种群
    4.5 实验结果与分析
        4.5.1 实验参数设置
        4.5.2 实验结果
        4.5.3 种群P的大小|P|敏感性测试
        4.5.4 种群Q中惩罚系数θ敏感性测试
        4.5.5 CoMOLS/D中选用iPBI和iTCH的对比
    4.6 算法应用
        4.6.1 社团检测问题介绍
        4.6.2 社团检测实验结果
    4.7 本章小结
第五章 研究工作总结与展望
    5.1 本文总结
    5.2 研究展望
参考文献
致谢
在学期间的研究成果及学术论文情况


【参考文献】：
期刊论文
[1]绿色车间调度优化研究进展[J]. 王凌,王晶晶,吴楚格.  控制与决策. 2018(03)
[2]关于如何用角度信息引入决策者偏好的研究[J]. 郑金华,谢谆志.  电子学报. 2014(11)
[3]进化多目标优化算法研究[J]. 公茂果,焦李成,杨咚咚,马文萍.  软件学报. 2009(02)



本文编号：3506723