基于群集智能的多模态多目标优化算法及其应用研究
发布时间：2021-09-29 10:29
随着人们日常生活需求的多样化以及工业生产环境的复杂化,单个解决方案已经难以满足生产生活的需求。多模态优化在单次优化中可获取多个满意解,因此逐渐成为优化领域的研究热点。但目前对多模态优化的研究局限于单目标优化中,缺少对多模态多目标优化问题的系统性研究。此外,多模态多目标优化问题最优解数量较多,而现有的多目标优化算法只求出一组最优解,对多模态最优解的求解与选择问题有待深入研究。本文以多模态多目标优化问题为研究对象,完成了多模态多目标优化问题特性分析、标准测试函数集建立、求解策略与新型多模态多目标优化算法设计、算法性能验证和实践应用等研究内容,主要研究成果归纳如下:1.针对现有多模态多目标测试函数较少且函数性质单一的问题,建立了性质多样、难度不同的多模态多目标优化测试函数集。使用两类不同的方法生成测试函数:第一类,通过复制和平移单模态多目标测试函数的帕累托解集生成了简单的多模态多目标测试函数,此类函数简单实用,是构建复杂测试函数的基础;第二类,构建了可扩展的多模态多目标测试函数生成框架,使用此框架生成的测试函数复杂度可调,它们的目标个数,决策空间维度以及帕累托最优解集个数均可由用户设定,大大...
【文章来源】：郑州大学河南省 211工程院校
【文章页数】：130 页
【学位级别】：博士
【部分图文】：
999-2019年多模态优化相关文章数目变化趋势
1绪论3有可能的最优解*x使得*f(x)≤f(x),x∈D。图1.2为二维单目标多模态优化问题的适应度地形图，左侧ModifiedRastrigin问题有多个盆区相同的最优值，右侧Vincent问题有多个不同盆区的最优值，它们都具有多个最优值，且最优值对应的x各不相同。(a)ModifiedRastrigin(b)Vincent图1.2多模态单目标优化问题举例多模态优化的目的是尽可能找到多个最优解，如果某个最优解不适合当前场景，那么可以快速用其他最优解替代。最早解决多模态优化的算法是在可行域内初始化一个解，然后不断迭代改善它的性能，因为这种方法初始点只有一个且算法性能受初始点位置的影响较大，所以该方法求解多模态优化问题的能力有限。求解多模态单目标优化问题最常用的方法是小生境策略(Niching)[5,20-23]。小生境的概念源于自然生态系统，Horn[24]把小生境定义为环境中资源的子集，利用这一资源子集的一类个体被称为一个物种，因此小生境是对环境的划分，而物种则是对生物群体的划分。只有属于同一物种的个体才能产生后代，不同物种不能产生后代。因为每个小生境中的资源都是有限的，所以同一小生境中的生物之间要共享资源，随着时间的推移，环境中自然而然的出现了不同的小生境和物种，自然环境中不同物种之间存在相互影响和相互制衡，因此生物的多样性保证了生态系统的稳定性。在优化领域中，小生境指某一个最优值所处的特定区域，物种指在某一个特定峰值附近的子种群。通常使用某种距离测度来度量相同或不同物种中个体之间的差异性。小生境策略模仿生物进化时不同环境中生物进化方向不同以产生物种多样性的机制，通过提高种群多样性解决多峰优化问题。解决多模态单目标优化问
3多模态多目标测试函数集建立401f2f图3.11非支配排序等级图将测试函数适应度地形可视化的步骤如下：(1)在测试函数的可行域内均匀采样，生成初始种群；(2)使用目标函数对生成的种群进行评价，得到对应的各个目标值；(3)通过非支配关系给每个解分配等级值；(4)使用等级值将适应度地形可视化。图3.12和图3.13分别给出了函数SYM-PARTsimple和SYM-PARTrotated的适应度地形图和帕累托解集的分布情况，通过对比可知可视化的地形谷底和函数真实的PS位置吻合，说明测试函数设计正确，另外谷的坡度，盆地的大小反应了问题求解的难度，通过该方法函数的各种性质可以被直观地展现出来。-20020-20-10010200200400x2x1NondominationRank-20020-20-10010200200400600800x2x1NondominationRank(a)SYM-PARTsimple(b)SYM-PARTrotated图3.12SYM-PARTsimple和SYM-PARTrotated的适应度地形图
【参考文献】：
期刊论文
[1]A self-organizing multimodal multi-objective pigeon-inspired optimization algorithm[J]. Yi HU,Jie WANG,Jing LIANG,Kunjie YU,Hui SONG,Qianqian GUO,Caitong YUE,Yanli WANG. Science China（Information Sciences）. 2019(07)
[2]基于动态拥挤距离的混合多目标免疫优化算法[J]. 马元锋,李昂儒,余慧敏,潘晓英. 计算机科学. 2018(S1)
[3]自组织多目标粒子群优化算法[J]. 梁静,郭倩倩,岳彩通,瞿博阳. 计算机应用研究. 2019(08)
[4]多模态多目标差分进化算法求解非线性方程组[J]. 许伟伟,梁静,岳彩通,瞿博阳. 计算机应用研究. 2019(05)
[5]分布式车间调度优化算法研究综述[J]. 王凌,邓瑾,王圣尧. 控制与决策. 2016(01)
[6]采用基于分解的多目标进化算法的电力环境经济调度[J]. 朱永胜,王杰,瞿博阳,P.N.Suganthan. 电网技术. 2014(06)
[7]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)
[8]多目标优化问题的研究概述[J]. 肖晓伟,肖迪,林锦国,肖玉峰. 计算机应用研究. 2011(03)
[9]Multi-objective differential evolution with diversity enhancement[J]. Ponnuthurai-Nagaratnam SUGANTHAN. Journal of Zhejiang University-Science C（Computer & Electronics）. 2010(07)
[10]面向多模态函数优化的自适应小生境遗传算法[J]. 陆青,梁昌勇,杨善林,张俊岭. 模式识别与人工智能. 2009(01)
硕士论文
[1]基于分解思想的多目标进化算法研究[D]. 张奇胜.湖南大学 2018
本文编号：3413555
【文章来源】：郑州大学河南省 211工程院校
【文章页数】：130 页
【学位级别】：博士
【部分图文】：
999-2019年多模态优化相关文章数目变化趋势
1绪论3有可能的最优解*x使得*f(x)≤f(x),x∈D。图1.2为二维单目标多模态优化问题的适应度地形图，左侧ModifiedRastrigin问题有多个盆区相同的最优值，右侧Vincent问题有多个不同盆区的最优值，它们都具有多个最优值，且最优值对应的x各不相同。(a)ModifiedRastrigin(b)Vincent图1.2多模态单目标优化问题举例多模态优化的目的是尽可能找到多个最优解，如果某个最优解不适合当前场景，那么可以快速用其他最优解替代。最早解决多模态优化的算法是在可行域内初始化一个解，然后不断迭代改善它的性能，因为这种方法初始点只有一个且算法性能受初始点位置的影响较大，所以该方法求解多模态优化问题的能力有限。求解多模态单目标优化问题最常用的方法是小生境策略(Niching)[5,20-23]。小生境的概念源于自然生态系统，Horn[24]把小生境定义为环境中资源的子集，利用这一资源子集的一类个体被称为一个物种，因此小生境是对环境的划分，而物种则是对生物群体的划分。只有属于同一物种的个体才能产生后代，不同物种不能产生后代。因为每个小生境中的资源都是有限的，所以同一小生境中的生物之间要共享资源，随着时间的推移，环境中自然而然的出现了不同的小生境和物种，自然环境中不同物种之间存在相互影响和相互制衡，因此生物的多样性保证了生态系统的稳定性。在优化领域中，小生境指某一个最优值所处的特定区域，物种指在某一个特定峰值附近的子种群。通常使用某种距离测度来度量相同或不同物种中个体之间的差异性。小生境策略模仿生物进化时不同环境中生物进化方向不同以产生物种多样性的机制，通过提高种群多样性解决多峰优化问题。解决多模态单目标优化问
3多模态多目标测试函数集建立401f2f图3.11非支配排序等级图将测试函数适应度地形可视化的步骤如下：(1)在测试函数的可行域内均匀采样，生成初始种群；(2)使用目标函数对生成的种群进行评价，得到对应的各个目标值；(3)通过非支配关系给每个解分配等级值；(4)使用等级值将适应度地形可视化。图3.12和图3.13分别给出了函数SYM-PARTsimple和SYM-PARTrotated的适应度地形图和帕累托解集的分布情况，通过对比可知可视化的地形谷底和函数真实的PS位置吻合，说明测试函数设计正确，另外谷的坡度，盆地的大小反应了问题求解的难度，通过该方法函数的各种性质可以被直观地展现出来。-20020-20-10010200200400x2x1NondominationRank-20020-20-10010200200400600800x2x1NondominationRank(a)SYM-PARTsimple(b)SYM-PARTrotated图3.12SYM-PARTsimple和SYM-PARTrotated的适应度地形图
【参考文献】：
期刊论文
[1]A self-organizing multimodal multi-objective pigeon-inspired optimization algorithm[J]. Yi HU,Jie WANG,Jing LIANG,Kunjie YU,Hui SONG,Qianqian GUO,Caitong YUE,Yanli WANG. Science China（Information Sciences）. 2019(07)
[2]基于动态拥挤距离的混合多目标免疫优化算法[J]. 马元锋,李昂儒,余慧敏,潘晓英. 计算机科学. 2018(S1)
[3]自组织多目标粒子群优化算法[J]. 梁静,郭倩倩,岳彩通,瞿博阳. 计算机应用研究. 2019(08)
[4]多模态多目标差分进化算法求解非线性方程组[J]. 许伟伟,梁静,岳彩通,瞿博阳. 计算机应用研究. 2019(05)
[5]分布式车间调度优化算法研究综述[J]. 王凌,邓瑾,王圣尧. 控制与决策. 2016(01)
[6]采用基于分解的多目标进化算法的电力环境经济调度[J]. 朱永胜,王杰,瞿博阳,P.N.Suganthan. 电网技术. 2014(06)
[7]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)
[8]多目标优化问题的研究概述[J]. 肖晓伟,肖迪,林锦国,肖玉峰. 计算机应用研究. 2011(03)
[9]Multi-objective differential evolution with diversity enhancement[J]. Ponnuthurai-Nagaratnam SUGANTHAN. Journal of Zhejiang University-Science C（Computer & Electronics）. 2010(07)
[10]面向多模态函数优化的自适应小生境遗传算法[J]. 陆青,梁昌勇,杨善林,张俊岭. 模式识别与人工智能. 2009(01)
硕士论文
[1]基于分解思想的多目标进化算法研究[D]. 张奇胜.湖南大学 2018
本文编号：3413555
本文链接：https://www.wllwen.com/kejilunwen/yysx/3413555.html
