基于分解排序的多目标进化算法的研究

发布时间：2017-03-21 19:07

  本文关键词：基于分解排序的多目标进化算法的研究，，由笔耕文化传播整理发布。

【摘要】：由于基于种群的进化算法在单次运行中能近似出一个Pareto解集,因此多目标进化算法已成为一种较为普遍且有效的求解多目标优化问题的方法。本文将基于分解和排序的方法融入到多目标进化算法框架中以求解多目标优化问题。本文主要包括如下部分:第一,基于分解的多目标进化算法(如MOEA/D)将一个多目标优化问题分解成一组单目标优化子问题,然后并行地求解它们。为了在进化过程中进一步平衡算法的收敛性和多样性,我们提出了一种新的解选择方法:首先通过解在各个子问题上的收敛性对它们进行整体排序,然后基于解之间的多样性进行二次选择。我们将该方法嵌入到基于分解的算法框架中并将它和三个经典多目标进化算法以及一个目前较好的多目标算法进行比较。实验结果表明所提出的算法非常具有竞争力。第二,在MOEA/D及其变种算法中,每个子问题有且仅有一个解与之关联。隐含的假设为每个子问题对应一个不同的Pareto最优解。这种假设对于一些特殊的多目标优化问题(如具有分段的不完整的Pareto前沿的问题)并不成立。为了进一步拓展基于分解的多目标进化算法,在本文提出的算法(MOEA/D-SAS)中,不同的解可被关联到相同的子问题,一些子问题甚至可以没有解与之关联。同时,不同于其它算法,本文使用了基于分解的排序(DBS)和基于角度的选择(ABS)来平衡算法的收敛性和多样性。为了减少算法的计算复杂度,DBS仅对子问题的局部邻居解进行排序;ABS利用解在目标空间域的角度信息来维持一个更加细化(fine-grained)的多样性。实验表明MOEA/D-SAS能够同时保持良好的收敛性和多样性,特别是对于特殊的多目标优化问题(如具有不连续且不完整的Pareto前沿)更为有效。此外,我们对DBS的计算效率和ABS的作用也进行了详细分析和讨论。
【关键词】：多目标优化 进化计算 多样性 基于角度选择 邻居 基于分解排序
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 摘要4-5
• ABSTRACT5-14
• 第一章 绪论14-19
• 1.1 研究背景14-15
• 1.2 研究进展15-17
• 1.2.1 第一代多目标进化算法15
• 1.2.2 第二代多目标进化算法15-16
• 1.2.3 当前进化算法研究热点16-17
• 1.3 本文主要研究内容17
• 1.4 本文各章节组织安排17-19
• 第二章 多目标进化算法简述19-33
• 2.1 多目标优化相关概念19-20
• 2.1.1 多目标及高维多目标优化问题19
• 2.1.2 解的相关概念19-20
• 2.2 多目标进化算法分类20-26
• 2.2.1 基于Pareto支配关系的多目标进化算法20-23
• 2.2.1.1 精英策略21
• 2.2.1.2 算法描述21-23
• 2.2.2 基于性能指标的多目标进化算法23
• 2.2.3 基于分解的多目标进化算法23-26
• 2.2.3.1 分解方法24-26
• 2.2.3.2 算法描述26
• 2.2.4 高维多目标进化算法26
• 2.3 性能度量指标与测试问题26-33
• 2.3.1 性能度量指标26-27
• 2.3.2 测试问题27-33
• 2.3.2.1 UF测试问题集27-30
• 2.3.2.2 DTLZ测试问题集30-33
• 第三章 基于排序选择的多目标进化算法33-46
• 3.1 引言33-34
• 3.2 动机34-35
• 3.3 算法设计35-39
• 3.3.1 总体框架35-37
• 3.3.2 解选择方法37-39
• 3.3.3 SBS的计算复杂度39
• 3.4 实验设计与结果分析39-45
• 3.4.1 实验设计39-40
• 3.4.2 与一些经典算法的比较40-43
• 3.4.3 多样性保持43-45
• 3.4.4 与MOEA/D-STM的比较45
• 3.5 小结45-46
• 第四章 基于分解排序和角度选择的多目标进化算法46-70
• 4.1 引言46-47
• 4.2 动机47-48
• 4.3 解选择方法48-56
• 4.3.1 排序和选择48-49
• 4.3.2 基于分解的排序49-51
• 4.3.3 基于角度的选择51-52
• 4.3.4 关于ABS的讨论52-54
• 4.3.5 关于SAS的一个例子54-55
• 4.3.6 SAS的计算复杂度55-56
• 4.4 算法设计56-57
• 4.5 实验设计与结果分析57-68
• 4.5.1 实验设计57-58
• 4.5.2 与一些经典算法的比较58-62
• 4.5.3 与MOEA/D-STM的比较62-64
• 4.5.4 基于分解排序的效率64-65
• 4.5.5 基于角度选择的影响65
• 4.5.6 MOEA/D-SAS高维多目标优化问题上的表现65-68
• 4.6 MOEA/D-SBS与MOEA/D-SAS的比较68-69
• 4.7 小结69-70
• 第五章 研究工作总结与展望70-72
• 5.1 研究总结70
• 5.2 研究展望70-72
• 参考文献72-77
• 致谢77-78
• 在学期间的研究成果及发表的学术论文78

【相似文献】

中国期刊全文数据库 前10条

1 关志华;多目标进化算法研究初步[J];石家庄经济学院学报;2002年02期

2 张勇德,黄莎白;一种改进的基于约束支配的多目标进化算法[J];计算机工程;2004年16期

3 雷德明,吴智铭;基于个体密集距离的多目标进化算法[J];计算机学报;2005年08期

4 薛娟;郑金华;李旭勇;;一种基于聚集距离的多目标进化算法[J];计算机工程与应用;2005年36期

5 马清亮;胡昌华;;多目标进化算法及其在控制领域中的应用综述[J];控制与决策;2006年05期

6 唐欢容;蒋浩;郑金华;;量子多目标进化算法研究[J];计算机工程与应用;2007年13期

7 林丹;丑英哲;李敏强;;求解多目标二层规划的多目标进化算法[J];系统工程学报;2007年02期

8 郑向伟;刘弘;;多目标进化算法研究进展[J];计算机科学;2007年07期

9 李密青;郑金华;罗彪;伍军;文诗华;;一种基于邻域的多目标进化算法[J];计算机应用;2008年06期

10 汪文彬;钟声;;基于改进拥挤距离的多目标进化算法[J];计算机工程;2009年09期

中国重要会议论文全文数据库 前2条

1 孙海涛;熊鹰;韩峰;;基于多目标进化算法的舰船概念设计方法研究[A];第四届全国船舶与海洋工程学术会议论文集[C];2009年

2 崔逊学;;多目标进化算法的研究现状与群体多样性研究[A];Complexity Problems--Proceedings of CCAST (World Laboratory) Workshop[C];2001年

中国博士学位论文全文数据库 前10条

1 丰志伟;多目标进化算法研究及在飞行器动力学系统中的应用[D];国防科学技术大学;2014年

2 代才;基于分解的多目标进化算法研究[D];西安电子科技大学;2014年

3 申瑞珉;高维多目标进化算法及其软件平台研究[D];湘潭大学;2015年

4 袁源;基于分解的多目标进化算法及其应用[D];清华大学;2015年

5 孟红云;多目标进化算法及其应用研究[D];西安电子科技大学;2005年

6 黄林峰;多目标进化算法研究[D];中国科学技术大学;2009年

7 郭秀萍;多目标进化算法及其在制造系统中的应用研究[D];上海交通大学;2007年

8 谭艳艳;几种改进的分解类多目标进化算法及其应用[D];西安电子科技大学;2013年

9 张明明;面向量子可逆逻辑自动综合的多目标进化算法研究[D];东华大学;2010年

10 刘立衡;多目标进化算法的研究及其在负荷分配中的应用[D];华北电力大学（北京）;2010年

中国硕士学位论文全文数据库 前10条

1 吴坤安;基于分散策略的多目标进化算法研究[D];福建师范大学;2015年

2 马晨琳;基于分解的交互式偏好多目标优化算法研究[D];西安电子科技大学;2014年

3 喻果;基于分解的偏好多目标进化算法及其评价指标的研究[D];湘潭大学;2015年

4 李业兴;基于外部集指引的自适应多目标进化算法的研究[D];南京航空航天大学;2015年

5 季洪霄;动态约束多目标进化算法的研究与应用[D];安徽理工大学;2016年

6 李达统;基于MapReduce与Spark的分布式多目标进化算法的设计与实现[D];华南理工大学;2016年

7 齐吉;基于聚类的多目标进化算法及其在航迹规划中的应用[D];哈尔滨工业大学;2016年

8 李辉健;多目标进化算法中新型非支配个体排序研究及应用[D];南京信息工程大学;2016年

9 杨志翔;基于分解排序的多目标进化算法的研究[D];南京航空航天大学;2016年

10 朱铮;面向指标和边界选择的高维多目标进化算法的研究[D];湘潭大学;2016年

  本文关键词：基于分解排序的多目标进化算法的研究，由笔耕文化传播整理发布。

本文编号：260138