基于多目标粒子群优化算法的研究与应用
发布时间：2021-12-30 17:33
对于多目标问题中存在的目标间相互冲突但又相互关联的矛盾,很多学者和研究人员早已经有了很深入的研究。粒子群算法不仅是被用来研究多目标优化问题中最常用的算法之一,而且也被广泛的应用在特征选择问题等领域中,而特征选择是数据预处理的一个重要过程。粒子群优化算法除了具有算法简单、参数少、能够快速收敛等优点,同时还具有容易陷入局部最优的缺点。因此本文针对粒子群优化算法研究多目标优化问题以及特征选择问题进行改进和提升。本文在这两方面的主要改进工作分为以下几部分:（1）本文针对多目标粒子群优化算法的研究,首先提出了两阶段的全局最优解选取策略。该两阶段全局最优解选取策略分别从决策空间和目标空间两个角度考虑,通过相似性度量策略和Knee Point概念选择全局最优解从而平衡Pareto支配面上解集的收敛性和多样性。其次本文改进了柯西变异操作,使其随着迭代次数的改变动态的去扰动种群。在迭代前中期大幅度的扰动使粒子跳出局部最优,在迭代后期小幅度的扰动加速种群的收敛并且提高粒子的搜索能力。最后对基于拥挤距离的外部文档更新策略进行了改进,改进后的方法更细化了对外部文档的更新和维护操作,使得外部文档中的粒子的分布更...
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图2.1粒子群优化算法流程图
第二章相关工作101212{1,2,...,},()(){1,2,...,},()()iijjikfxfxandjkfxfx(2.6)则称决策向量1x支配另一个决策向量2x，记作12xx。定义2.2Pareto最优解：假设有一个解*x,当且仅当没有任何一个解支配解x*，则称解*x为公式(2.5)所示目标函数的Pareto最优解。定义2.3Pareto最优解集：在多目标优化问题中最后获得的解集中的每一个解都满足上述所对Pareto最优解的定义，则称该解集为Pareto最优解集。Pareto最优解集定义如下：***P{x|x:xx}(2.7)定义2.4Pareto前沿面：Pareto最优解集里面全部的解在目标空间所构成的一个曲面，称之为帕累托前沿面（ParetoFront），本文记作PF。如图2.2所示为具有两个目标函数的最小化问题，从图中可以看出123x,x,x是目标空间中的三个解，其中1x支配2x和3x，而2x和3x不满足Pareto支配关系的定义，故2x和3x互不支配。因为1x没有被任何解支配，所以1x可以称为Pareto最优解，同时1x在目标空间中所在的弧形前沿面为Pareto前沿面，Pareto前沿面上所有解的集合称之为Pareto最优解集。在对多目标优化问题的进行求解就是求该非支配解集。图2.2两个目标函数最小化问题Figure2.2Minimizationproblemwithtwoobjectivefunctions
第二章相关工作12图2.3特征选择基本框架Figure2.3Basicframeworkoffeatureselection对特征子集的产生和特征子集的评估是目前为止对特征选择方法的研究主要两个方向，所以对特征选择方法的研究一般情况下可以根据特征子集的产生和特征子集的评估分为两类[38]。一类是针对搜索策略研究的特征选择方法，另一类是针对评估策略研究的特征选择方法。针对子集搜索策略研究的特征选择方法可以分为三类：基于全局最优搜索策略、随机搜索策略以及启发式搜索策略的三种特征选择方法[39]。（1）基于全局最优搜索策略的特征选择方法穷举搜索方法是最直接明了的一种全局最优搜索策略，该方法需要通过罗列出全部的候选特征子集，并对罗列出来的子集一个个进行评估然后选择最优候选特征子集。由于穷举搜索方法考虑到每一种可能出现的解的情况，因此巨大的计算开销也大大的提高了时间成本。尤其特征维度越大，使用穷举搜索的方法可能性越校目前为止表现最好的一个基于全局搜索策略的特征选择方法是分支界定法：事先初始化好最终获得的优化特征子集的维度，对特征子集通过树形结构形式进行搜索，并利用定义好的评估函数进行评价。树的根节点则是所有特征的集合，并且子节点满足是父节点的子集且评估函数优于父节点，树的叶子节点的候选特征子集的维度必须满足事先定义好的特征子集维度。该方法能够有效的减少搜索时间，但是对于如何事先确定最优特征子集的维度以及不能对全部的特征按照其重要程度进行排序均是很大的问题。（2）基于随机搜索策略的特征选择方法随机搜索策略的搜索起点通常是随机不固定的，通过随机删除或增加一个或多个特征进行搜索，而搜索的候选特征子集前后没有确定的关系，并且该方法在任意搜索时期内都可能会获得最优特征子集。使用
【参考文献】：
期刊论文
[1]特征选择方法综述[J]. 姚旭,王晓丹,张玉玺,权文. 控制与决策. 2012(02)
[2]特征选择算法综述[J]. 计智伟,胡珉,尹建新. 电子设计工程. 2011(09)
[3]一种基于混沌变异的多目标粒子群优化算法[J]. 裴胜玉,周永权. 山东大学学报(理学版). 2010(07)
本文编号：3558668
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图2.1粒子群优化算法流程图
第二章相关工作101212{1,2,...,},()(){1,2,...,},()()iijjikfxfxandjkfxfx(2.6)则称决策向量1x支配另一个决策向量2x，记作12xx。定义2.2Pareto最优解：假设有一个解*x,当且仅当没有任何一个解支配解x*，则称解*x为公式(2.5)所示目标函数的Pareto最优解。定义2.3Pareto最优解集：在多目标优化问题中最后获得的解集中的每一个解都满足上述所对Pareto最优解的定义，则称该解集为Pareto最优解集。Pareto最优解集定义如下：***P{x|x:xx}(2.7)定义2.4Pareto前沿面：Pareto最优解集里面全部的解在目标空间所构成的一个曲面，称之为帕累托前沿面（ParetoFront），本文记作PF。如图2.2所示为具有两个目标函数的最小化问题，从图中可以看出123x,x,x是目标空间中的三个解，其中1x支配2x和3x，而2x和3x不满足Pareto支配关系的定义，故2x和3x互不支配。因为1x没有被任何解支配，所以1x可以称为Pareto最优解，同时1x在目标空间中所在的弧形前沿面为Pareto前沿面，Pareto前沿面上所有解的集合称之为Pareto最优解集。在对多目标优化问题的进行求解就是求该非支配解集。图2.2两个目标函数最小化问题Figure2.2Minimizationproblemwithtwoobjectivefunctions
第二章相关工作12图2.3特征选择基本框架Figure2.3Basicframeworkoffeatureselection对特征子集的产生和特征子集的评估是目前为止对特征选择方法的研究主要两个方向，所以对特征选择方法的研究一般情况下可以根据特征子集的产生和特征子集的评估分为两类[38]。一类是针对搜索策略研究的特征选择方法，另一类是针对评估策略研究的特征选择方法。针对子集搜索策略研究的特征选择方法可以分为三类：基于全局最优搜索策略、随机搜索策略以及启发式搜索策略的三种特征选择方法[39]。（1）基于全局最优搜索策略的特征选择方法穷举搜索方法是最直接明了的一种全局最优搜索策略，该方法需要通过罗列出全部的候选特征子集，并对罗列出来的子集一个个进行评估然后选择最优候选特征子集。由于穷举搜索方法考虑到每一种可能出现的解的情况，因此巨大的计算开销也大大的提高了时间成本。尤其特征维度越大，使用穷举搜索的方法可能性越校目前为止表现最好的一个基于全局搜索策略的特征选择方法是分支界定法：事先初始化好最终获得的优化特征子集的维度，对特征子集通过树形结构形式进行搜索，并利用定义好的评估函数进行评价。树的根节点则是所有特征的集合，并且子节点满足是父节点的子集且评估函数优于父节点，树的叶子节点的候选特征子集的维度必须满足事先定义好的特征子集维度。该方法能够有效的减少搜索时间，但是对于如何事先确定最优特征子集的维度以及不能对全部的特征按照其重要程度进行排序均是很大的问题。（2）基于随机搜索策略的特征选择方法随机搜索策略的搜索起点通常是随机不固定的，通过随机删除或增加一个或多个特征进行搜索，而搜索的候选特征子集前后没有确定的关系，并且该方法在任意搜索时期内都可能会获得最优特征子集。使用
【参考文献】：
期刊论文
[1]特征选择方法综述[J]. 姚旭,王晓丹,张玉玺,权文. 控制与决策. 2012(02)
[2]特征选择算法综述[J]. 计智伟,胡珉,尹建新. 电子设计工程. 2011(09)
[3]一种基于混沌变异的多目标粒子群优化算法[J]. 裴胜玉,周永权. 山东大学学报(理学版). 2010(07)
本文编号：3558668
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3558668.html
