基于膜计算模型的多目标优化算法研究

发布时间：2017-07-20 09:14

  本文关键词：基于膜计算模型的多目标优化算法研究

  更多相关文章： 多目标优化 膜计算 膜算法 遗传操作 表层膜 归档

【摘要】：膜计算作为自然计算的一个分支,其目的是从生物细胞的结构与功能中以及从器官和组织等细胞群的协作中,抽象出计算模型。膜计算模型被称为膜系统,也叫做P系统,具有良好的并行性、分布性和非确定性等特点。现在膜计算已经广泛的应用到众多的优化领域中。因此,膜计算是一个具有重要理论意义和现实价值的研究课题。多目标优化问题广泛存在于科学研究和工程应用中,这些目标之间往往相互冲突。目前有很多自然启发的算法来解决这个问题,如遗传算法、粒子群优化算法和基于P系统的优化算法等。在这些方法中,因膜计算模型在解决优化问题时能提供丰富的框架,基于P系统的优化算法俨然成了当前的研究热点。基于此,本文对膜计算进行了深入的研究,提出了两种在膜计算模型下的多目标优化算法：(1)提出了基于表层膜指导的低维多目标膜优化算法。膜计算作为自然计算的一个分支,在单目标问题方面已经取得了一定的研究成果,但是在多目标问题上还有待挖掘。对于目前的基于膜计算模型的多目标优化算法中,很多算法都把表层膜作为一个归档,存储搜索过程中的最优解。但它们都忽略了利用表层膜存储的最优解来指导内部膜种群的进化。因此本文提出了一个有效的表层膜指导策略,利用表层膜保存的好的解来指导内部膜种群的进化,可以加速种群的收敛,并且这种策略同时考虑到种群的收敛性和分布性。基于该策略提出一种基于表层膜指导的多目标膜优化算法,简称SMG-MOMA。在多目标测试问题ZDT和DTLZ上进行仿真实验,并与已有经典的多目标进化算法和多目标膜算法作比较,SMG-MOMA算法可以很好地收敛到真实的P areto前沿面,是一种有效的多目标优化算法。(2)提出了基于表层膜指导的高维多目标膜算法。由于膜计算模型在解决优化问题时能够提供丰富的框架,使得其在多目标优化方面有独特的优势。但是在目标超过三个的多目标优化问题上,还没有相关的膜算法来尝试解决该问题。虽然SMG-MOMA算法证明了表层膜指导策略在种群进化过程中起到了很大的作用。但随着目标的越来越多时,该指导策略无法进行更有效的指导分配。所以,本文提出了一个更有效的表层膜指导分配策略,即在表层膜中设置两个归档种群,一个用于保证收敛性,另一个用于保证分布性,分别对内部膜种群进行指导进化。基于该策略本文提出了一种表层膜指导的高维多目标优化算法,简称SMG-MaOMA。在可扩展的多目标优化问题DTLZ和WFG上进行实验,结果表明,SMG-MaOMA算法可以有效的处理高维多目标优化问题。
【关键词】：多目标优化 膜计算 膜算法 遗传操作 表层膜 归档
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 摘要3-5
• Abstract5-12
• 第一章 绪论12-19
• 1.1 研究背景及意义12-13
• 1.2 膜计算概论13-15
• 1.3 国内外研究现状15-17
• 1.4 本文工作与安排17-19
• 第二章 多目标优化方法19-27
• 2.1 相关概念19-21
• 2.2 进化多目标优化的经典算法21-23
• 2.3 基于膜计算模型的多目标优化算法23-26
• 2.4 本章小结26-27
• 第三章 基于表层膜指导的低维多目标膜算法27-44
• 3.1 算法思想27-28
• 3.2 表层膜指导的低维多目标膜算法28-32
• 3.2.1 算法框架29
• 3.2.2 表层膜指导策略29-32
• 3.3 实验与分析32-42
• 3.3.1 实验设置32-33
• 3.3.2 实验结果与分析33-42
• 3.4 本章小结42-44
• 第四章 基于表层膜指导的高维多目标膜算法44-58
• 4.1 算法思想44-45
• 4.2 基于表层膜指导的高维多目标膜算法45-47
• 4.2.1 算法框架45-46
• 4.2.2 表层膜指导策略46-47
• 4.3 实验与分析47-56
• 4.3.1 实验设置47-48
• 4.3.2 实验结果与分析48-56
• 4.4 本章小结56-58
• 第五章 总结和展望58-60
• 5.1 工作总结58-59
• 5.2 未来展望59-60
• 参考文献60-66
• 致谢66-67
• 攻读硕士学位期间发表的学术论文67-68
• 攻读硕士学位期间参加的科研项目68

【相似文献】

中国期刊全文数据库 前10条

1 刘淳安;王宇平;;基于新模型的动态多目标优化进化算法[J];计算机研究与发展;2008年04期

2 徐鹤鸣;王东;;多目标优化问题的求解框架[J];微计算机信息;2009年36期

3 郭晓东;王丽芳;;求解多目标优化问题的分布估计算法[J];太原科技大学学报;2010年01期

4 雍龙泉;;求解一类不可微多目标优化问题的社会认知算法[J];计算机应用研究;2010年11期

5 郭思涵;龚小胜;;正交设计的E占优策略求解高维多目标优化问题研究[J];计算机科学;2012年02期

6 盖玉权;何昱;张宇燕;吴宪彬;万海同;;复方药物剂量配比多目标优化的方法学研究[J];微型机与应用;2012年07期

7 王杰文;;约束多目标优化问题中约束处理方法综述[J];现代计算机(专业版);2012年36期

8 贾利民,张锡第;智能多目标优化控制及其应用[J];信息与控制;1992年01期

9 周学建;师清翔;朱永宁;;模糊相似优先比在清选系统多目标优化中的应用[J];洛阳工学院学报;1993年02期

10 吴清烈,江孝感,徐南荣;大规模含整变量多目标优化的一种新方法[J];信息与控制;1998年01期

中国重要会议论文全文数据库 前10条

1 张翔;;一种无歧义性的多目标优化数值解法[A];中国农业机械学会成立40周年庆典暨2003年学术年会论文集[C];2003年

2 罗亚中;;航天器轨迹多目标优化研究评述[A];The 5th 全国动力学与控制青年学者研讨会论文摘要集[C];2011年

3 耿玉磊;张翔;;多目标优化的求解方法与发展[A];福建省科协第四届学术年会——提升福建制造业竞争力的战略思考专题学术年会论文集[C];2004年

4 耿玉磊;张翔;;多目标优化的求解方法与发展[A];福建省科协第四届学术年会提升福建制造业竞争力的战略思考专题学术年会论文集[C];2004年

5 程鹏;唐雁;邹显春;;约束多目标优化试验函数产生器[A];2008年计算机应用技术交流会论文集[C];2008年

6 贾小平;韩方煜;;多目标优化及其在过程工程中的应用[A];过程系统工程2001年会论文集[C];2001年

7 邢志祥;;灭火救援力量调集的多目标优化[A];第一届全国安全科学理论研讨会论文集[C];2007年

8 孙力;樊希山;姚平经;;化工过程多目标优化适宜解的模糊确定[A];第二届全国传递过程学术研讨会论文集[C];2003年

9 李颖t;昝建明;周建文;;多目标形貌优化方法研究[A];结构及多学科优化工程应用与理论研讨会’2009（CSMO-2009）论文集[C];2009年

10 许碧霞;李兆江;;基于循环经济的城市污水多目标优化配置分析[A];中国地理学会2007年学术年会论文摘要集[C];2007年

中国博士学位论文全文数据库 前10条

1 王晗丁;复杂问题的多目标进化优化算法研究[D];西安电子科技大学;2015年

2 董宁;求解约束优化和多目标优化问题的进化算法研究[D];西安电子科技大学;2015年

3 邹娟;高维多目标进化优化及降维评价的方法研究[D];湘潭大学;2014年

4 杨光;求解多目标优化问题的NWSA研究及其工程应用[D];吉林大学;2015年

5 王超;装载与车辆路径联合多目标优化问题研究[D];大连理工大学;2016年

6 徐志丹;基于生物地理算法的多目标优化理论与应用研究[D];哈尔滨工程大学;2013年

7 蒋庆;地下水时空变化及监测网多目标优化研究[D];华中科技大学;2008年

8 陈琼;演化多目标优化多样性保持策略及其应用研究[D];武汉理工大学;2010年

9 陈小红;基于进化算法的高维多目标优化问题求解方法及应用[D];深圳大学;2015年

10 刘鎏;多目标优化进化算法及应用研究[D];天津大学;2010年

中国硕士学位论文全文数据库 前10条

1 何素素;基于改进的粒子群算法的钻进参数多目标优化研究[D];西安石油大学;2015年

2 黄怡;基于药效综合评价的中药组分配伍优化方法研究[D];浙江大学;2015年

3 韩伟;基于混合智能算法在造纸废水厌氧消化处理过程多目标优化中的研究[D];华南理工大学;2015年

4 彭清风;基于鲁棒性的船体中横剖面多目标优化[D];上海交通大学;2015年

5 崔华;面向个性化需求的服务组合优化方法[D];哈尔滨工业大学;2015年

6 章姗捷;基于遗传算法的电力工程多目标优化研究[D];华北电力大学;2015年

7 高敏;基于协同论的风电建设项目多目标优化模型研究[D];华北电力大学;2015年

8 刘培根;基于多目标优化和压缩感知的航拍目标检测[D];电子科技大学;2015年

9 杨凯;基于多目标优化的贵州工业结构调整研究[D];贵州师范大学;2015年

10 陈振兴;基于空间拥挤控制策略的进化多目标优化[D];福建师范大学;2015年

，

本文编号：567285