昂贵多目标优化问题学习指导的分解型进化算法设计与应用

发布时间：2023-03-04 10:18

　　昂贵多目标优化问题是近年来实际工程应用中的一个关注热点和研究难点。相比于多目标优化问题,这类问题通常具有复杂的机理模型,且其目标函数的每一次精确评价都需要耗费极其昂贵的时间和经济代价。随着智能计算技术的不断发展,进化算法以良好的鲁棒性、全局性等优点已经被广泛用于解决各种多目标优化问题,但是由于在其进化过程中通常需要做大量的适应值计算才能取得令人满意的结果,因而导致进化技术在昂贵多目标优化问题上的应用仍然具有很大的局限性。一种主流的方法是使用代理模型替代真实评价模型以减少昂贵函数评价次数,从而以较低成本估计进化算法中个体的适应值,指导算法的进化方向。由于代理模型本质上是一种有监督的机器学习模型,因而这类方法也被称为学习指导的进化算法。然而不幸的是,现有的大部分学习指导的进化算法仅能处理1-3个目标的优化问题,难以有效扩展到计算昂贵的高维目标优化问题上,因而还存在极大的改进和提升空间。事实上,昂贵多目标优化问题求解的关键在于多目标进化算法框架的设计、代理模型的构建以及采样解的选择。基于此,本文首先考虑充分利用分解型进化算法的性能优势,提出了一种通用的基于双参考向量集的锥形分解多目标进化算法...

【文章页数】：100 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
英文缩略词
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 单一Kriging指导的进化算法
        1.2.2 Non-Kriging指导的进化算法
    1.3 论文研究的主要内容
    1.4 论文组织结构
第二章 相关技术综述
    2.1 昂贵多目标优化问题的描述
    2.2 代理模型技术
        2.2.1 Kriging模型
        2.2.2 多项式近似模型
        2.2.3 径向基函数网络模型
        2.2.4 支持向量回归模型
    2.3 基于分解的多目标进化算法MOEA/D
        2.3.1 MOEA/D算法的基本原理
        2.3.2 MOEA/D算法的实现流程
    2.4 学习指导的分解型进化算法
    2.5 本章小结
第三章 基于双参考向量集的锥形分解多目标进化算法
    3.1 基于锥形分解的多目标进化算法CDEA
        3.1.1 基于K-D树辅助的全局关联机制
        3.1.2 K-D树指导的目标锥形分解策略
        3.1.3 K-D树指导的个体锥形更新机制
    3.2 两组参考向量集的生成
    3.3 基于双参考向量集的锥形分解多目标进化算法具体实现流程
        3.3.1 CDEA-DR主框架
        3.3.2 初始化阶段
        3.3.3 重组阶段
        3.3.4 环境选择
    3.4 算法复杂度的分析
    3.5 实验设计与数据分析
        3.5.1 实验相关配置
        3.5.2 实验结果分析
    3.6 本章总结
第四章 随机森林指导的锥形分解昂贵多目标进化算法
    4.1 基于集成学习的随机森林模型
    4.2 基于双参考向量集的采样解选择标准
        4.2.1 基于观察向量聚类的初始采样解选择过程
        4.2.2 局部搜索技术
        4.2.3 非支配排序操作
    4.3 随机森林指导的锥形分解多目标进化算法实现流程
    4.4 实验设计与分析
        4.4.1 实验相关设置
        4.4.2 DTLZ系列测试问题上的解集质量分析
        4.4.3 WFG系列测试问题上的解集质量分析
    4.5 运行效率分析
    4.6 本章总结
第五章 实际工程问题上的应用
    5.1 在车辆正面耐撞性设计上的应用
        5.1.1 车辆正面耐撞性设计问题的目标模型
        5.1.2 算法应用与分析
    5.2 在汽车驾驶室设计上的应用
        5.2.1 汽车驾驶室设计问题的目标模型
        5.2.2 算法应用与分析
    5.3 本章总结
第六章 总结与展望
参考文献
附录
    附录1 实验环境
攻读硕士学位期间取得的研究成果
致谢
附件



本文编号：3754102