基于差异化邻域策略的分解多目标进化算法研究及应用

发布时间：2022-02-19 03:46

　　在实际工程和科学研究中,人类总是遵从“最大化效益,最小化成本”这一优化原则,使得多目标优化问题成为研究的热点。多目标优化问题旨在同时优化相互冲突、相互约束的多个目标,获得一组近似的Pareto最优解集,以便决策者从中挑选最优方案。基于分解的多目标进化算法（MOEA/D）在解决多目标优化问题时具有较强的搜索能力,高效的适应度评价,良好的收敛性等优势成为研究热点。然而,随着目标维度的增加,种群中非支配解的比例迅速上升,同时逼近整个Pareto前沿所需的解的个数呈指数增长,使得算法搜索全局最优解的能力骤降;此外,处理具有复杂Pareto解集的多目标优化问题时,算法对优秀解的选择压力不足,易陷入局部最优。MOEA/D在求解此类多目标优化问题时,存在着求解质量不够高、收敛速度慢、收敛不到前沿、资源分配不合理等问题。针对上述两个难点,本文从算法的计算资源分配为切入点,通过分析不同大小的邻域对算法性能的影响,提出差异化邻域策略,对算法的计算资源进行有效地分配,从而提高算法性能。本文主要研究内容如下:（1）子问题邻域对基于分解的多目标进化算法性能影响较大:当邻域过大时,种群繁殖产生的新解偏离Paret... 

【文章来源】：浙江工业大学浙江省

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 多目标进化算法研究进展
        1.2.2 计算资源分配的分解进化算法研究进展
        1.2.3 有时间窗的车辆路径问题研究现状
    1.3 研究内容及章节安排
        1.3.1 研究内容
        1.3.2 章节安排
2 多目标进化算法及其性能评价指标
    2.1 多目标优化问题
        2.1.1 多目标优化问题描述
        2.1.2 Pareto最优解
        2.1.3 多目标优化问题面临的困难
    2.2 基于分解的多目标进化算法
        2.2.1 权重向量生成方法
        2.2.2 MOEA/D算法流程
    2.3 多目标进化算法评价指标
        2.3.1 收敛性评价指标
        2.3.2 多样性评价指标
        2.3.3 综合性评价指标
    2.4 本章小结
3 基于差异化邻域策略的分解多目标进化算法
    3.1 固定邻域缺陷分析
    3.2 邻域过大或过小缺陷分析
    3.3 差异化邻域策略
    3.4 MOEA/D-DN算法流程
    3.5 仿真实验与结果分析
        3.5.1 参数设置
        3.5.2 应用差异化邻域策略前后的算法性能对比
        3.5.3 多目标优化问题性能测试
        3.5.4 高维目标优化问题性能测试
    3.6 本章小结
4 有硬时间窗的多目标车辆路径问题
    4.1 问题描述与模型建立
    4.2 算法流程
    4.3 算例及数值分析
    4.4 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
附录1:测试函数表达式及其特性
附录2:测试函数PARETO前沿图
攻读学位期间参加的研究工作和获得的学术成果


【参考文献】：
期刊论文
[1]基于混合NSGA-Ⅱ的有硬时间窗的多目标车辆路径问题[J]. 吴天羿,刘建永,许继恒,翁杰,昝良.  交通运输系统工程与信息. 2014(02)
[2]高维目标进化算法研究进展[J]. 谢承旺,汪慎文,谢大同,郭肇禄.  武汉大学学报(工学版). 2012(05)
[3]高维多目标进化算法研究综述[J]. 孔维健,丁进良,柴天佑.  控制与决策. 2010(03)
[4]一种用于多目标约束优化的改进进化算法[J]. 俞国燕,李鹏,何真,孙延明.  计算机集成制造系统. 2009(06)
[5]基于多目标遗传算法求解时间窗车辆路径问题[J]. 刘敏,郑金华,蒋浩.  计算机工程与应用. 2006(09)
[6]有时间窗车辆路径问题的改进遗传算法[J]. 张丽萍,柴跃廷,曹瑞.  计算机集成制造系统-CIMS. 2002(06)

博士论文
[1]混流制造系统生产物流优化关键问题研究[D]. 高贵兵.华中科技大学 2011

硕士论文
[1]基于遗传算法的车辆路径优化问题的应用研究[D]. 王雪红.天津科技大学 2016



本文编号：3632153