基于混合预测机制的进化动态多目标优化算法

发布时间：2021-02-17 05:56

　　工业生产和科学研究领域,存在许多动态多目标优化问题,这类问题的目标函数之间相互制约,同时目标函数,约束或者参数会随着时间的变化而变化。这种随时间不断变化的特性,给解决动态多目标优化问题带来了挑战,算法不仅要求能够追踪到最优解,同时还要求算法能够快速响应环境中的变化。进化算法是一类启发式的搜索算法,能够同时优化多个个体,目前已经被广泛应用到动态多目标优化问题的研究中。本文首先对进化动态多目标优化算法的研究现状进行综述,针对动态多目标优化的难点,提出了三种改进动态多目标优化算法。具体内容如下:1.提出了一种基于特殊点的混合预测机制（SHPS）。首先,针对PPS前期无法实现有效的变化应答这一问题,提出在变化初期尚无有效历史信息时采用PRE&VAR响应环境变化。其次,由于PPS利用中心点和流形进行来预测新时刻的初始种群,一旦历史信息不够准确,预测到的种群会偏离可能的搜索区域,导致算法的稳定性较差,对于这一问题,我们引入了特殊点的预测,有效避免整个初始种群都偏离新环境的可能搜索区域的情况。将提出的SHPS引入到基于分解的MOEA/D-DE算法上实现动态多目标优化问题的求解。通过实验对比发... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：89 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 课题背景及研究意义
    1.2 国内外研究现状
        1.2.1 多目标优化的研究现状
        1.2.2 动态多目标优化的研究现状
    1.3 本论文结构安排
第二章 相关背景
    2.1 引言
    2.2 相关理论背景
        2.2.1 多目标优化问题
        2.2.2 动态多目标优化问题
    2.3 MOEA/D-DE介绍
        2.3.1 分解机制
        2.3.2 权向量设计
        2.3.3 权向量的邻域
        2.3.4 MOEA/D-DE算法流程
    2.4 预测机制
        2.4.1 VAR预测机制
        2.4.2 PRE预测机制
        2.4.3 PRE&VAR预测机制
        2.4.4 PPS预测机制
    2.5 本章小结
第三章 基于特殊点的混合预测机制的动态多目标优化算法
    3.1 引言
    3.2 特殊点
        3.2.1 边界点
        3.2.2 CTI
        3.2.3 拐点
    3.3 基于特殊点的混合预测机制
        3.3.1 变化检测机制
        3.3.2 基于特殊点的混合预测机制
        3.3.3 算法流程
    3.4 实验结果与分析
        3.4.1 测试函数
        3.4.2 性能指标
        3.4.3 实验参数设置
        3.4.4 与其他算法进行比较
        3.4.5 不同预测机制的比较
    3.5 本章小结
第四章 基于多样性引入的混合预测机制的动态多目标优化算法
    4.1 引言
    4.2 基于多样性引入的混合预测机制
        4.2.1 改进的MOEA/D
        4.2.2 改进的变化检测机制
        4.2.3 多样性引入机制
        4.2.4 算法流程
    4.3 实验结果与分析
        4.3.1 与其他算法进行比较
        4.3.2 不同的预测机制的比较
    4.4 本章小结
第五章 基于记忆策略的混合预测机制的动态多目标优化算法
    5.1 引言
    5.2 基于记忆策略的混合预测机制
        5.2.1 记忆策略
        5.2.2 算法流程
    5.3 实验结果与分析
    5.4 本章小结
第六章 总结与展望
    6.1 本文总结
    6.2 进一步工作
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]进化多目标优化算法研究[J]. 公茂果,焦李成,杨咚咚,马文萍.  软件学报. 2009(02)



本文编号：3037532