随机性动态多目标测试问题的设计及其优化方法

发布时间：2017-07-19 04:01

  本文关键词：随机性动态多目标测试问题的设计及其优化方法

  更多相关文章： 进化多目标优化 随机性变化 动态多目标测试问题 记忆策略 中心点匹配策略

【摘要】：在过去的几十年间,进化算法(EA,Evolutionary Algorithm)作为一种优化技术而广泛用于求解多目标优化问题(MOP,Multi-objective Optimization Problem)。这些问题中的多个目标往往是相互冲突的,因此需要平衡各个目标,并获得一组折衷解供决策者选择。多目标进化算法(MOEA,Multi-objective Evolutionary Algorithm)能够出色地解决这类问题,并且在有限时间内通过单次执行即可获得一个收敛性好,分布均匀、广泛的解集。随着多目标领域的发展,出现了一类特殊的MOP,它们的参数和目标都是随时间动态变化的。为了解决这一类问题,研究者们提出了一系列动态多目标优化算法(dMOEA,dynamic MOEA)的相关理论和技术方法。而近几年,这一领域的发展受到了极大限制,其原因是动态多目标测试问题的缺乏。研究者们迫切地需要一组既能全面地检测算法各方面性能,又可以充分反映实际应用问题特性的动态多目标测试问题。在分析了现有测试问题存在的缺陷之后,本文提出了动态多目标测试问题的设计原则。在此基础之上,设计并提出了一个随机性变化动态多目标测试问题集(Stochastic Benchmark Suit)。该测试问题集在引入随机性变化的同时,结合了欺骗、多模、偏转等多种问题特性,以及包含了凹凸混合型、非连通型等多种复杂几何形状。通过引入多样的问题特性,算法一些重要性能得到了一定的检测:算法的收敛能力、保持良好分布性的能力、全局搜索能力,以及处理欺骗和非连续性问题的能力等等。对这些问题特性进行实验分析之后,进一步证实了它们能够全面地反映算法各个方面性能的优点。为了能有效地处理随机性变化问题,本文提出了一种中心点匹配策略(CMS,Center Matching Strategy)。该算法充分利用了历史优秀个体所反映的全局性信息,在环境变化发生之后,通过这些信息来产生预测中心点,加速种群收敛过程。本文将CMS与其他3个算法进行了对比实验,实验结果表明CMS具备了一定的处理随机性变化问题的能力,同时表现出了较强的收敛能力和保持良好分布性的能力。
【关键词】：进化多目标优化 随机性变化 动态多目标测试问题 记忆策略 中心点匹配策略
【学位授予单位】：湘潭大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 摘要4-5
• Abstract5-7
• 第1章 绪论7-17
• 1.1 进化多目标优化7
• 1.2 动态多目标优化7-8
• 1.3 动态多目标优化算法8-10
• 1.4 动态多目标测试问题10-15
• 1.4.1 FDA测试问题集11-13
• 1.4.2 非线性测试问题集13-15
• 1.4.3 UDF测试问题集15
• 1.5 本章小结15-17
• 第2章 随机性动态多目标测试问题17-29
• 2.1 问题设计原则17-20
• 2.2 随机变化特性20-23
• 2.3 随机性测试问题集23-29
• 第3章 中心点匹配策略29-41
• 3.1 CMS算法介绍29-33
• 3.2 实验设置33
• 3.2.1 评价指标33
• 3.2.2 实验参数设定33
• 3.3 实验结果分析33-38
• 3.3.1 SDP2、SDP6、SDP8的实验结果34-36
• 3.3.2 SDP3、SDP7的实验结果36-37
• 3.3.3 SDP1、SDP4、SDP5的实验结果37-38
• 3.4 测试问题特性分析38-41
• 第4章 总结与展望41-43
• 4.1 本文工作总结41-42
• 4.2 后续工作展望42-43
• 参考文献43-47
• 致谢47-48
• 附录A48-49
• 附录B49

，

本文编号：561063