基于外部集的多目标进化算法的动态资源分配策略研究

发布时间：2017-09-07 03:00

  本文关键词：基于外部集的多目标进化算法的动态资源分配策略研究

  更多相关文章： 进化计算 多目标优化 帕里托支配 分解思想 混合思想 动态资源分配

【摘要】：多目标优化的目标是近似出一组目标间互相权衡的Pareto最优解集。进化算法,由于其基于群体智能的优化特点,已成为解决多目标优化问题的主流算法。近年来,基于分解的多目标进化算法(MOEA/D)引起了广泛的关注:算法将一个多目标优化问题分解成为多个单目标优化的子问题,然后同时对这些子问题分配计算资源进行优化。原始的MOEA/D采用对于每个子问题平均分配计算资源的策略。但是由于每个子问题的难易程度不同,采用动态资源分配的策略能够进一步提高优化算法的效率。本文主要通过外部集信息,研究对子问题进行动态资源分配的不同策略,以及它们对算法性能的影响。本文的主要研究工作包含以下三个部分:1.采用混合的多目标优化算法作为基本框架,即使用一个基于分解的工作集合和一个基于Pareto支配的外部集合。提出了一种两阶段的计算资源分配策略。算法的优化过程被显性地分成了两个阶段,首先从外部集中提取收敛性信息,进入第二阶段后使用多样性信息指导其搜索方向,从而提高了算法的效率。2.针对一些特殊的优化问题(如不符合常见的先收敛后扩散),提出了一种多阶段的计算资源分配策略。该策略根据当前的进化状态(收敛或者扩散阶段),使用一种动态切换机制,自适应地将外部集的收敛或多样性信息作为反馈,用于指导工作集的搜索方向,从而提高了算法在收敛性和多样性上的权衡能力。3.对多目标软件版本发布问题和多目标旅行商问题进行测试,与其它优秀的算法相比,提出的策略能合理地分配计算资源,具有更好的性能。并进一步地验证了动态资源分配策略的作用。
【关键词】：进化计算 多目标优化 帕里托支配 分解思想 混合思想 动态资源分配
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 摘要4-5
• ABSTRACT5-11
• 注释表11-12
• 缩略词12-13
• 第一章 绪论13-18
• 1.1 研究背景13-15
• 1.1.1 进化计算概述13-14
• 1.1.2 多目标优化问题14-15
• 1.2 研究进展15-16
• 1.3 本文主要研究内容16-17
• 1.4 本文各章节组织安排17-18
• 第二章 相关背景知识18-32
• 2.1 多目标进化算法的分类18-28
• 2.1.1 基于帕里托支配的多目标进化算法18-22
• 2.1.1.1 非支配排序18-19
• 2.1.1.2 多样性保持机制19-21
• 2.1.1.3 精英保留策略21-22
• 2.1.2 基于分解的多目标进化算法22-27
• 2.1.2.1 分解方法23-24
• 2.1.2.2 自然选择策略24-25
• 2.1.2.3 动态资源分配策略25-27
• 2.1.3 基于性能指标的多目标进化算法27-28
• 2.2 性能度量指标28-30
• 2.2.1 超体积28-29
• 2.2.2 反向迭代距离29
• 2.2.3 sigma性能指标29-30
• 2.3 测试问题30-32
• 2.3.1 多目标软件版本发布问题30-31
• 2.3.2 多目标旅行商问题31-32
• 第三章 基于外部集的两阶段多目标进化算法32-52
• 3.1 混合多目标进化算法32-33
• 3.2 算法动机33-35
• 3.3 算法描述35-39
• 3.3.1 总体框架35
• 3.3.2 初始化35-36
• 3.3.3 生成新解36
• 3.3.4 更新种群36
• 3.3.5 进化阶段划分36-37
• 3.3.6 终止条件37-39
• 3.4 实验设计与结果分析39-51
• 3.4.1 对比算法介绍39
• 3.4.2 实验参数设置39-40
• 3.4.3 实验结果分析40-51
• 3.4.3.1 参数敏感性测试41
• 3.4.3.2 2EAG-MOEA/D与经典算法的对比41-44
• 3.4.3.3 2EAG-MOEA/D与先进动态资源分配策略的对比44-47
• 3.4.3.4 动态资源分配策略的有效性分析47-51
• 3.5 本章小结51-52
• 第四章 基于外部集的多阶段自适应多目标进化算法52-68
• 4.1 算法动机52-53
• 4.2 算法描述53-56
• 4.2.1 总体框架53-55
• 4.2.2 切换机制55
• 4.2.3 反馈信息55-56
• 4.3 实验设计与结果分析56-67
• 4.3.1 对比算法介绍56
• 4.3.2 实验参数设置56
• 4.3.3 实验结果分析56-67
• 4.3.3.1 两种切换机制的比较57-58
• 4.3.3.2 三种多样性信息对比58-59
• 4.3.3.3 AG-MOEA/D与经典算法的对比59-60
• 4.3.3.4 AG-MOEA/D与前期工作的对比60-62
• 4.3.3.5 AG-MOEA/D与先进动态资源分配策略的对比62-65
• 4.3.3.6 动态资源分配策略的有效性分析65-67
• 4.4 本章小结67-68
• 第五章 总结与展望68-70
• 5.1 研究总结68
• 5.2 研究展望68-70
• 参考文献70-76
• 致谢76-77
• 在学期间的研究成果及发表的学术论文77

【参考文献】

中国期刊全文数据库 前2条

1 公茂果;焦李成;杨咚咚;马文萍;;进化多目标优化算法研究[J];软件学报;2009年02期

2 王勇;蔡自兴;周育人;肖赤心;;约束优化进化算法[J];软件学报;2009年01期

，

本文编号：807003