自组织物种形成的多模态多目标粒子群算法的研究与应用
发布时间：2022-08-07 22:01
随着科学技术的飞速发展,在科学研究和工程应用等众多领域中涌现出大量多目标优化问题,而在这些多目标优化问题中,存在一类问题具有以下特性:在决策空间具有多个最优解集,同时,这些最优解集在目标空间中映射的向量相同;我们称这类优化问题为多模态多目标优化问题,而多模态多目标进化算法是有效解决多模态多目标优化问题的关键,因此如何构建简单高效的多模态多目标优化算法已成为优化研究领域的关键课题。针对多模态多目标优化问题,本文提出了一种基于自组织物种形成的多目标粒子群算法（SS-MOPSO）,所提算法在粒子群算法的框架下对种群个体进行优化,该算法通过采用一种自组织物种形成的小生境方法对种群进行自动划分,用于发现优化问题的帕累托最优解,同时引入特殊拥挤距离技术来保留所发现的帕累托最优解,相较于其他形成子种群的方法（拓扑结构、SOM等）,该算法通过欧式距离判断种群个体间相似性大小,充分利用种群内个体信息,能够正确识别种群邻域,形成的子种群较为精确,且互不重叠;其次,所提出的自组织物种形成方法与原始物种形成的小生境方法相比,所提算法的时间复杂度只与物种种子个数有关,而原始物种方法不仅与种子个数相关,也与种群内...
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 课题研究的背景和意义
1.2 国内外研究现状
1.2.1 多目标优化算法研究现状
1.2.2 多模态优化算法研究现状
1.2.3 多模态多目标算法研究现状
1.3 本文研究内容
1.4 本文组织结构
2 基于自组织物种形成的多目标粒子群算法
2.1 粒子群优化算法
2.2 物种形成的小生境技术
2.3 特殊拥挤距离
2.4 自组织物种形成机制
2.5 基于自组织物种形成的多目标粒子群算法介绍
2.6 本章小结
3 基于自组织物种形成的粒子群算法求解多模态多目标问题
3.1 多模态多目标优化问题描述
3.2 实验测试
3.2.1 测试函数
3.2.2 评价指标
3.2.3 对比算法及实验参数设定
3.3 实验结果分析
3.3.1 SS-MOPSO和对比算法在测试问题上的比较分析
3.3.2 种群大小的参数讨论
3.3.3 半径大小的参数讨论
3.4 本章小结
4 基于自组织物种形成的多目标粒子群算法的应用
4.1 实际问题模型描述
4.2 实验设置
4.3 实验结果
4.4 本章小结
5 总结与展望
5.1 总结
5.2 展望
参考文献
附录 A:硕士研究生阶段发表论文
致谢
【参考文献】：
期刊论文
[1]基于人群密度的最优路径规划算法研究[J]. 李建东,万旺根. 电子测量技术. 2020(02)
[2]自适应多策略花朵授粉算法[J]. 瞿博阳,李国森,焦岳超,柴旭朝,闫李. 计算机工程与设计. 2020(02)
[3]基于多学习多目标鸽群优化的动态环境经济调度[J]. 闫李,李超,柴旭朝,瞿博阳. 郑州大学学报(工学版). 2019(04)
[4]A self-organizing multimodal multi-objective pigeon-inspired optimization algorithm[J]. Yi HU,Jie WANG,Jing LIANG,Kunjie YU,Hui SONG,Qianqian GUO,Caitong YUE,Yanli WANG. Science China（Information Sciences）. 2019(07)
[5]多模态多目标差分进化算法求解非线性方程组[J]. 许伟伟,梁静,岳彩通,瞿博阳. 计算机应用研究. 2019(05)
[6]基于冯诺依曼拓扑结构的骨干粒子群优化算法[J]. 王明慧,戴月明,田娜,王艳. 计算机工程与科学. 2017(08)
[7]基于量子位实数编码的优化算法及轧制规程多目标优化[J]. 张宇献,李松,李勇,王建辉. 仪器仪表学报. 2014(11)
博士论文
[1]数据驱动的动态路径优化和停车诱导模型与算法[D]. 杨珍珍.北京交通大学 2019
硕士论文
[1]基于自适应小生境文化基因算法的数据聚类[D]. 王玺.浙江工业大学 2019
[2]基于粒子群改进算法的生物网络建模与优化研究[D]. 姚琴琴.浙江大学 2017
[3]环形拓扑的形态演变与设计策略[D]. 褚雅楠.天津大学 2016
[4]基于进化算法的多目标优化算法及应用研究[D]. 刘楠楠.南京航空航天大学 2010
[5]受膜计算启发的优化算法研究[D]. 付杰.浙江大学 2010
本文编号：3671120
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 课题研究的背景和意义
1.2 国内外研究现状
1.2.1 多目标优化算法研究现状
1.2.2 多模态优化算法研究现状
1.2.3 多模态多目标算法研究现状
1.3 本文研究内容
1.4 本文组织结构
2 基于自组织物种形成的多目标粒子群算法
2.1 粒子群优化算法
2.2 物种形成的小生境技术
2.3 特殊拥挤距离
2.4 自组织物种形成机制
2.5 基于自组织物种形成的多目标粒子群算法介绍
2.6 本章小结
3 基于自组织物种形成的粒子群算法求解多模态多目标问题
3.1 多模态多目标优化问题描述
3.2 实验测试
3.2.1 测试函数
3.2.2 评价指标
3.2.3 对比算法及实验参数设定
3.3 实验结果分析
3.3.1 SS-MOPSO和对比算法在测试问题上的比较分析
3.3.2 种群大小的参数讨论
3.3.3 半径大小的参数讨论
3.4 本章小结
4 基于自组织物种形成的多目标粒子群算法的应用
4.1 实际问题模型描述
4.2 实验设置
4.3 实验结果
4.4 本章小结
5 总结与展望
5.1 总结
5.2 展望
参考文献
附录 A:硕士研究生阶段发表论文
致谢
【参考文献】：
期刊论文
[1]基于人群密度的最优路径规划算法研究[J]. 李建东,万旺根. 电子测量技术. 2020(02)
[2]自适应多策略花朵授粉算法[J]. 瞿博阳,李国森,焦岳超,柴旭朝,闫李. 计算机工程与设计. 2020(02)
[3]基于多学习多目标鸽群优化的动态环境经济调度[J]. 闫李,李超,柴旭朝,瞿博阳. 郑州大学学报(工学版). 2019(04)
[4]A self-organizing multimodal multi-objective pigeon-inspired optimization algorithm[J]. Yi HU,Jie WANG,Jing LIANG,Kunjie YU,Hui SONG,Qianqian GUO,Caitong YUE,Yanli WANG. Science China（Information Sciences）. 2019(07)
[5]多模态多目标差分进化算法求解非线性方程组[J]. 许伟伟,梁静,岳彩通,瞿博阳. 计算机应用研究. 2019(05)
[6]基于冯诺依曼拓扑结构的骨干粒子群优化算法[J]. 王明慧,戴月明,田娜,王艳. 计算机工程与科学. 2017(08)
[7]基于量子位实数编码的优化算法及轧制规程多目标优化[J]. 张宇献,李松,李勇,王建辉. 仪器仪表学报. 2014(11)
博士论文
[1]数据驱动的动态路径优化和停车诱导模型与算法[D]. 杨珍珍.北京交通大学 2019
硕士论文
[1]基于自适应小生境文化基因算法的数据聚类[D]. 王玺.浙江工业大学 2019
[2]基于粒子群改进算法的生物网络建模与优化研究[D]. 姚琴琴.浙江大学 2017
[3]环形拓扑的形态演变与设计策略[D]. 褚雅楠.天津大学 2016
[4]基于进化算法的多目标优化算法及应用研究[D]. 刘楠楠.南京航空航天大学 2010
[5]受膜计算启发的优化算法研究[D]. 付杰.浙江大学 2010
本文编号：3671120
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3671120.html
