基于分解的多目标优化问题的研究及其应用

发布时间：2020-12-13 23:37

　　传统的多目标优化算法在解决多目标问题时,容易陷入局部收敛,且解集性能较差。因此,本文针对不同情况下基于分解的多目标进化算法（Multi-objective Evolutionary Algorithm based on Decomposition,MOEA/D）表现出的缺陷进行改进,从而提高算法能力,改善解集性能。主要研究内容如下:为了提高MOEA/D求解Pareto前沿连续问题的能力,本文提出了基于变异算子和邻域值自适应的MOEA/D算法。针对MOEA/D预设控制参数,导致种群质量及算法性能下降的问题,该算法首先根据种群中个体适应度值的集中程度自适应地调整变异算子,提高算法搜索能力;其次,利用种群适应度值信息和进化阶段信息自适应调整邻域值;最后,根据新产生的个体在邻域内的被支配数是否超过设定阈值,算法将考虑是否引入Pareto支配关系作为个体性能判断准则。为了提高MOEA/D求解Pareto前沿不连续问题的能力,本文提出了基于自适应权重向量和匹配策略的MOEA/D算法。针对MOEA/D预设权重向量并采用随机匹配策略造成种群多样性降低等问题,该算法首先判定并更新位于不连续区域的无效子问... 

【文章来源】：兰州理工大学甘肃省

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 多目标进化算法研究进展
    1.3 基于分解的进化算法研究进展
    1.4 FSP及 FJSP的研究进展
    1.5 本文的主要研究内容
    1.6 本章小结
第2章 多目标进化算法及其相关内容
    2.1 多目标优化问题的数学描述及相关定义
    2.2 多目标进化算法的基本框架
    2.3 性能测度指标
        2.3.1 收敛性评价指标
        2.3.2 分布性评价指标
        2.3.3 覆盖性评价指标
    2.4 本章小结
第3章 基于变异算子和邻域值自适应的MOEA/D算法
    3.1 引言
    3.2 MOEA/D算法简介
        3.2.1 权重向量的生成
        3.2.2 聚合方法
        3.2.3 邻域的生成
    3.3 算法设计
        3.3.1 自适应变异概率
        3.3.2 自适应邻域值
        3.3.3 引入支配关系的邻域
    3.4 算法流程
    3.5 实验结果与分析
        3.5.1 测试函数
        3.5.2 算法性能
        3.5.3 仿真结果
    3.6 本章小结
第4章 基于自适应权重向量和匹配策略的MOEA/D算法
    4.1 引言
    4.2 算法设计
        4.2.1 自适应权重向量
        4.2.2 子问题和个体的匹配机制
        4.2.3 外部档案集
    4.3 算法流程
    4.4 实验结果与分析
        4.4.1 测试函数
        4.4.2 算法性能
        4.4.3 仿真结果
    4.5 本章小结
第5章 基于双空间邻居模型和双差分进化的MOEA/D算法
    5.1 引言
    5.2 算法设计
        5.2.1 双空间邻居模型及更新策略
        5.2.2 基于LLE算法的决策空间距离计算
        5.2.3 双差分进化策略
    5.3 算法流程
    5.4 实验结果与分析
        5.4.1 测试函数
        5.4.2 算法性能
        5.4.3 仿真结果
    5.5 本章小结
第6章 基于分解的优化方法在FSP及 FJSP中的应用
    6.1 引言
    6.2 FSP问题的优化
        6.2.1 问题描述
        6.2.2 数学模型的构建
        6.2.3 算法设计
        6.2.4 优化结果
    6.3 FJSP问题的优化
        6.3.1 问题描述
        6.3.2 数学模型的构建
        6.3.3 算法设计
        6.3.4 优化结果
    6.4 本章小结
结论与展望
参考文献
致谢
附录 A 攻读学位期间发表的学术论文



本文编号：2915382