基于双重选择机制和角度邻域惩罚机制的多目标进化算法的研究

发布时间：2017-09-03 08:27

  本文关键词：基于双重选择机制和角度邻域惩罚机制的多目标进化算法的研究

  更多相关文章： 多目标优化问题 多目标优化 多目标分解 子问题选择 竞争性选择 邻域惩罚机制

【摘要】：相比单目标优化问题(SOPs),现实生活中,存在大量的非线性、高度复杂的工程问题,这些问题大多都是多目标优化问题(MOPs)。多目标优化问题具有多个需要同时优化且相互冲突的目标。而针对求解多目标优化问题所对应的进化算法,称之为多目标进化算法(MOEA)。本文从基于分解的和基于Pareto支配的多目标进化算法入手,提出了下面两个算法。针对基于分解的多目标进化算法(MOEA/D)的改进算法MOEA/D-DRA中个体和子问题的匹配选择问题,本文从分解方法的固有性质出发,理论上分析和论证其子问题性质,从而给出求解最优子问题的具体方法；然后引入竞争性选择理论,利用竞争性选择机制加强子问题内部和子问题之间个体的信息交流,从而促进算法的收敛性和多样性,最后提出了基于竞争性选择和子问题选择的双重选择机制的多目标分解进化算法(MOEA/D-SS)。该算法从DTLZ1测试问题上,采用算法SPEAII获取一组均匀权重向量,根据子问题固有信息以及竞争性选择过程,寻找适合个体的最优子问题。将该算法与MOEA/D-DRA进行对比试验表明,实验结果显示,MOEA/D-SS在收敛性和分布性上都好于MOEA/D-DRA,证明了竞争性选择和子问题选择机制提高了算法的性能。针对基于Pareto支配关系的多目标进化算法在处理高维问题时存在着选择压力小,早熟收敛等不足,提出了一种基于角度邻域惩罚机制的多目标进化算法(ANPMEA)。首先,选择一个离理想点最近的个体(精英个体)；其次,设计了一种基于向量夹角的邻域形状作为惩罚区域；最后,对精英个体邻域内的其它个体进行惩罚,这样将降低与该精英个体邻近的个体进入归档集的机会,提高解集的多样性。通过与NSGA-Ⅱ和其它两个高维多目标优化算法(AR+DMO和AR+CD')进行对比实验。实验结果显示,本文提出的基于角度邻域惩罚机制的多目标进化算法在收敛性和分布性上都好于其它三个算法,且随着维数越高效果越明显。
【关键词】：多目标优化问题 多目标优化 多目标分解 子问题选择 竞争性选择 邻域惩罚机制
【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
• ABSTRACT5-8
• 第1章 绪论8-16
• 1.1 多目标优化问题8-9
• 1.2 多目标进化算法9-12
• 1.2.1 多目标进化算法研究的重要意义10
• 1.2.2 多目标进化算法研究现状10
• 1.2.3 多目标进化算法基本框架10-12
• 1.3 基于分解的多目标进化算法12-13
• 1.4 基于Pareto支配关系的多目标进化算法13-14
• 1.5 本文的工作14-15
• 1.6 论文的组织结构15-16
• 第2章 基于分解的多目标进化算法16-21
• 2.1 权重聚合方法16-17
• 2.2 切比雪夫方法17
• 2.3 基于惩罚的边界交叉方法17-18
• 2.4 MOEA/D基本框架18-21
• 第3章 基于双重选择机制的多目标分解进化算法21-39
• 3.1 引言21-22
• 3.2 子问题性质分析与证明22-26
• 3.3 权重向量获取方法26-27
• 3.4 MOEA/D-SS算法框架27-30
• 3.4.1 子问题选择机制27-28
• 3.4.1.1 个体对应子问题获取方法27
• 3.4.1.2 最优子问题求解方法27-28
• 3.4.2 竞争性选择机制28-30
• 3.4.2.1 局部竞争性选择28-29
• 3.4.2.2 异域竞争性选择29-30
• 3.4.3 MOEA/D-SS算法总框架30
• 3.5 对比实验与分析30-38
• 3.5.1 竞争性选择机制对算法的影响32-33
• 3.5.2 子问题选择机制对算法的影响33
• 3.5.3 两种选择机制综合对算法的影响33-38
• 3.5.3.1 ZDT和DTLZ系列测试函数对比试验33-34
• 3.5.3.2 CEC2009测试函数对比试验34-38
• 3.6 结论38-39
• 第4章 基于角度领域惩罚机制的多目标进化算法39-49
• 4.1 引言39
• 4.2 ANPMEA算法39-42
• 4.2.1 ANPMEA算法基本框架39-40
• 4.2.2 环境选择40
• 4.2.3 角度领域惩罚机制40-42
• 4.3 实验结果与分析42-48
• 4.3.1 测试函数与评价指标42-43
• 4.3.2 试验参数设置43
• 4.3.3 试验结果43-48
• 4.4 本章小结48-49
• 第五章 总结与展望49-51
• 参考文献51-54
• 致谢54-55
• 附录A 攻读硕士学位期间参与的科研项目及科研成果55

【相似文献】

中国期刊全文数据库 前10条

1 关志华;多目标进化算法研究初步[J];石家庄经济学院学报;2002年02期

2 张勇德,黄莎白;一种改进的基于约束支配的多目标进化算法[J];计算机工程;2004年16期

3 雷德明,吴智铭;基于个体密集距离的多目标进化算法[J];计算机学报;2005年08期

4 薛娟;郑金华;李旭勇;;一种基于聚集距离的多目标进化算法[J];计算机工程与应用;2005年36期

5 马清亮;胡昌华;;多目标进化算法及其在控制领域中的应用综述[J];控制与决策;2006年05期

6 唐欢容;蒋浩;郑金华;;量子多目标进化算法研究[J];计算机工程与应用;2007年13期

7 林丹;丑英哲;李敏强;;求解多目标二层规划的多目标进化算法[J];系统工程学报;2007年02期

8 郑向伟;刘弘;;多目标进化算法研究进展[J];计算机科学;2007年07期

9 李密青;郑金华;罗彪;伍军;文诗华;;一种基于邻域的多目标进化算法[J];计算机应用;2008年06期

10 汪文彬;钟声;;基于改进拥挤距离的多目标进化算法[J];计算机工程;2009年09期

中国重要会议论文全文数据库 前2条

1 孙海涛;熊鹰;韩峰;;基于多目标进化算法的舰船概念设计方法研究[A];第四届全国船舶与海洋工程学术会议论文集[C];2009年

2 崔逊学;;多目标进化算法的研究现状与群体多样性研究[A];Complexity Problems--Proceedings of CCAST (World Laboratory) Workshop[C];2001年

中国博士学位论文全文数据库 前10条

1 丰志伟;多目标进化算法研究及在飞行器动力学系统中的应用[D];国防科学技术大学;2014年

2 代才;基于分解的多目标进化算法研究[D];西安电子科技大学;2014年

3 申瑞珉;高维多目标进化算法及其软件平台研究[D];湘潭大学;2015年

4 袁源;基于分解的多目标进化算法及其应用[D];清华大学;2015年

5 孟红云;多目标进化算法及其应用研究[D];西安电子科技大学;2005年

6 黄林峰;多目标进化算法研究[D];中国科学技术大学;2009年

7 郭秀萍;多目标进化算法及其在制造系统中的应用研究[D];上海交通大学;2007年

8 谭艳艳;几种改进的分解类多目标进化算法及其应用[D];西安电子科技大学;2013年

9 张明明;面向量子可逆逻辑自动综合的多目标进化算法研究[D];东华大学;2010年

10 刘立衡;多目标进化算法的研究及其在负荷分配中的应用[D];华北电力大学（北京）;2010年

中国硕士学位论文全文数据库 前10条

1 吴坤安;基于分散策略的多目标进化算法研究[D];福建师范大学;2015年

2 马晨琳;基于分解的交互式偏好多目标优化算法研究[D];西安电子科技大学;2014年

3 喻果;基于分解的偏好多目标进化算法及其评价指标的研究[D];湘潭大学;2015年

4 李业兴;基于外部集指引的自适应多目标进化算法的研究[D];南京航空航天大学;2015年

5 季洪霄;动态约束多目标进化算法的研究与应用[D];安徽理工大学;2016年

6 李达统;基于MapReduce与Spark的分布式多目标进化算法的设计与实现[D];华南理工大学;2016年

7 齐吉;基于聚类的多目标进化算法及其在航迹规划中的应用[D];哈尔滨工业大学;2016年

8 李辉健;多目标进化算法中新型非支配个体排序研究及应用[D];南京信息工程大学;2016年

9 杨志翔;基于分解排序的多目标进化算法的研究[D];南京航空航天大学;2016年

10 朱铮;面向指标和边界选择的高维多目标进化算法的研究[D];湘潭大学;2016年

，

本文编号：783931