进化多目标优化算法中的分解方法研究

发布时间：2024-06-01 03:34

　　基于分解的进化多目标优化算法(MOEA/D)利用分而治之的思想在多目标优化问题上取得了良好的求解性能,但是它的性能一方面对分解方法的依赖性较强,另一方面在高维多目标优化中也存在着一些不足。本文首先从分解方法的改进上展开工作,其次在提升高维多目标优化问题的求解性能上做了进一步探究,目的在于提升算法的收敛性、多样性以及鲁棒性。本文的主要研究成果和创新点如下:(1)针对逆转的惩罚边界交叉(IPBI)分解方法求解Pareto Front(PF)为上突形状问题的性能缺陷,从理论上分析了缺陷出现的原因,并且提出了基于MOEA/D的改进的鲁棒IPBI分解方法(R-IPBI)。虽然IPBI相对基于理想点的分解方法有效的改善了MOEA/D求解多目标优化问题所得解的覆盖性,但是它依然存在着一些不足:其一是MOEA/D-IPBI经常不能求得PF上某些区域的解;其二是在求解某些问题时会保留PF之外的支配解。本文提出了自适应参考点设置策略以及自适应子问题替换策略解决了IPBI中的上述问题。实验表明R-IPBI不仅在测试函数上表现出了优越的性能,而且在求解现实世界中的水库防洪调度问题上也有明显的优势。从实验结果可...

【文章页数】：77 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 引言
    1.2 进化多目标算法的发展和研究现状
    1.3 基于分解的EMO算法研究现状
    1.4 主要研究内容
    1.5 本文结构安排
第二章 基于分解的进化多目标优化算法框架
    2.1 多目标优化问题描述
        2.1.1 多目标优化问题的数学模型
        2.1.2 Pareto支配与Pareto最优解
        2.1.3 Pareto最优解集与Pareto最优前沿
    2.2 MOEA/D算法框架
        2.2.1 MOEA/D算法简介
        2.2.2 常用分解方法
    2.3 进化多目标优化算法性能指标
    2.4 本章小结
第三章 改进的鲁棒IPBI分解方法
    3.1 IPBI分解方法分析
        3.1.1 IPBI和PBI分解方法对比
        3.1.2 IPBI分解方法的不足
    3.2 提升IPBI分解方法的鲁棒性
        3.2.1 自适应参考点设置策略
        3.2.2 自适应子问题替换策略
        3.2.3 R-IPBI算法
    3.3 测试问题实验研究
        3.3.1 测试问题
        3.3.2 实验参数设置
        3.3.3 R-IPBI算法的有效性
        3.3.4 R-IPBI算法的鲁棒性
        3.3.5 算法参数敏感性分析
    3.4 水库防洪调度问题的实验研究
        3.4.1 水库防洪调度模型
        3.4.2 实验参数设置
        3.4.3 R-IPBI算法优越性分析
    3.5 本章小结
第四章 基于决策者偏好信息的分解方法
    4.1 基于偏好点的分解方法
        4.1.1 现存偏好算法分析
        4.1.2 基于偏好点的偏好模型
        4.1.3 基于偏好点的分解方法
    4.2 R-MOEA/D:基于偏好点分解方法的进化多目标优化算法
    4.3 测试问题实验研究
        4.3.1 测试问题
        4.3.2 实验参数设置
        4.3.3 R-MOEA/D算法搜索行为分析
    4.4 与R-NSGA-II和R-MEAD2的比较
        4.4.1 在MOPs上的对比研究
        4.4.2 在Ma OPs上的对比研究
        4.4.3 R-MOEA/D的交互能力
    4.5 水库防洪调度问题的实验研究
        4.5.1 实验参数设置
        4.5.2 与R-NSGA-II和R-MEAD2的比较
    4.6 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
作者简介



本文编号：3985501