MOEA/D算法及其在多序列比对中的应用研究
发布时间：2020-12-17 04:12
多目标优化问题是现实生活和生产实践中常见的一类优化问题。对求解多目标优化问题的算法研究一直是学者们热衷的领域。传统的多目标优化算法对于目标函数具有严格的限制,如连续,可导等。这大大地限制了传统多目标优化算法的应用范围。随着上世纪90年代进化算法的兴起,该研究领域取得了重要的进展。多目标进化算法具有对目标函数要求低,智能性,隐并行性以及自适应性的特点,并且运行一次就可以同时获得一组Pareto最优解。MOEA/D（Multi-objective Evolutionary Algorithm based on Decomposition）算法是近年提出的一类基于分解技术的多目标进化算法。由于其简单并且优越的性能,在众多的多目标进化算法中脱颖而出。与其他的多目标进化算法相比,MOEA/D算法在连续的多目标优化问题上具有优势,但是面对较难的和目标个数较多的多目标优化问题仍然存在很大的挑战,如容易陷入局部最优,收敛速度慢等。本文着重围绕MOEA/D算法的改进以及应用两方面进行了深入的研究,主要的创新性研究成果如下:①针对MOEA/D-DRA（MOEA/D with Dynamic Resourc...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：106 页
【学位级别】：博士
【文章目录】：
中文摘要
英文摘要
1 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 MOEA/D算法的研究现状
1.2.2 融合偏好的多目标进化算法研究现状
1.2.3 多序列比对的研究现状
1.3 论文主要研究内容及创新点
1.3.1 本文的主要研究内容
1.3.2 本文的创新点
1.4 论文组织结构
2 基本背景知识的介绍
2.1 引言
2.2 多目标优化问题的定义
2.3 基于分解的多目标进化算法MOEA/D
2.4 多序列比对
2.4.1 多序列比对问题的定义
2.4.2 相似度替换矩阵
2.4.3 空位罚分
2.5 测试函数
2.5.1 ZDT测试函数集
2.5.2 DTLZ测试函数集
2.5.3 UF测试函数集
2.6 多目标进化算法性能评价指标
2.6.1 无偏好多目标进化算法的性能评价指标
2.6.2 有偏好多目标进化算法的评价指标
2.7 Wilcoxon秩和检验
2.8 本章小结
3 一种基于新效用函数的动态资源分配的多目标进化算法
3.1 引言
3.2 MOEA/D-DRA算法概述与分析
3.2.1 MOEA/D-DRA算法概述
3.2.2 MOEA/D-DRA算法分析
3.3 MOEA/D-DRA-NU算法
3.3.1 新提出的效用函数
3.3.2 MOEA/D-DRA-NU算法流程
3.4 实验研究
3.4.1 测试函数
3.4.2 测试算法的简介
3.4.3 参数设置
3.4.4 MOEA/D-DRA-NU算法与MOEA/D-DRA,MOEA/D-DE算法比较
3.4.5 MOEA/D-DRA-NU算法与最新提出多目标进化算法比较
3.5 本章小结
4 改进的融合偏好的多目标进化算法
4.1 引言
4.2RMEAD算法概述与分析
4.2.1 RMEAD算法概述
4.2.2 RMEAD算法分析
4.3 IRMEAD算法
4.3.1 修改 1：估计基权重向量
4.3.2 修改 2：权重向量初始化和更新
4.3.3 IRMEAD算法描述
4.4 实验研究
4.4.1 测试函数
4.4.2 参数设置
4.4.3 实验结果与分析
4.5 小结
5 基于分解的多目标进化算法在多序列比对中的应用
5.1 引言
5.2 多序列比对问题建模
5.2.1 WSPs评分函数
5.2.2 一种新的多序列比对问题模型
5.3 MOMSA算法：一种新的多序列比对方法
5.3.1 算法思想
5.3.2 MOMSA算法流程
5.4 实验研究
5.4.1 测试数据集和评价指标
5.4.2 参数设置
5.4.3 MOMSA算法与VDGA和GAPAM的比较
5.4.4 MOMSA算法与IMSA算法比较
5.4.5 MOMSA算法与其他经典算法比较
5.4.6 MOMSA算法的鲁棒性
5.5 本章小结
6 总结
6.1 主要结论
6.2 后续研究工作的展望
致谢
参考文献
附录
A. 作者在攻读博士学位期间发表的论文：
B. 作者在攻读博士学位期间参与的科研项目：
【参考文献】：
期刊论文
[1]基于双极偏好占优的阵列天线优化方法[J]. 王丽萍,林思颖,邱飞岳. 计算机科学. 2015(01)
[2]关于如何用角度信息引入决策者偏好的研究[J]. 郑金华,谢谆志. 电子学报. 2014(11)
[3]基于双极偏好占优的高维目标进化算法[J]. 邱飞岳,吴裕市,邱启仓,王丽萍. 软件学报. 2013(03)
[4]基于双极偏好占优的多目标进化算法及其应用[J]. 邱飞岳,吴裕市,王丽萍. 计算机集成制造系统. 2012(12)
[5]超级矩阵构树方法研究进展[J]. 朱新宇,汪保华. 生物技术. 2011(05)
[6]Dijkstra算法在蛋白质序列比对中的研究[J]. 祁长红,郁芸,韩新焕. 计算机工程与应用. 2012(24)
[7]基于置换距离度量的蛋白质多序列比对算法性能评估[J]. 高峰,李防震,王珺,董骝焕. 中山大学学报(自然科学版). 2011(02)
[8]求解偏好多目标优化的克隆选择算法[J]. 杨咚咚,焦李成,公茂果,余航. 软件学报. 2010(01)
[9]基于隐马尔可夫模型和免疫粒子群优化的多序列比对算法[J]. 葛宏伟,梁艳春. 计算机研究与发展. 2006(08)
[10]PHGA-COFFEE:多序列比对问题的并行混合遗传算法求解[J]. 刘立芳,霍红卫,王宝树. 计算机学报. 2006(05)
博士论文
[1]生物序列分析算法硬件加速器关键技术研究[D]. 夏飞.国防科学技术大学 2011
[2]基于de Bruijin图的DNA多序列比对并行算法研究[D]. 周红.天津大学 2010
[3]多目标优化进化算法及应用研究[D]. 刘鎏.天津大学 2010
[4]生物信息学中多序列比对等算法的研究[D]. 张敏.大连理工大学 2005
硕士论文
[1]基于多偏好的高维目标进化算法研究及应用[D]. 林思颖.浙江工业大学 2014
[2]基于双极偏好占优的高维目标进化算法研究及其应用[D]. 吴裕市.浙江工业大学 2012
[3]量子遗传算法及其在多序列比对问题中的应用[D]. 谢巧娈.西安电子科技大学 2008
[4]基于量子遗传算法和改进的免疫遗传算法的多序列比对算法研究[D]. 宋晓亮.吉林大学 2007
[5]多序列比对的统计模型及算法[D]. 程力行.西安电子科技大学 2007
[6]基于A-Star和DiAlign算法的多序列比对[D]. 方义.西安电子科技大学 2007
[7]基于密码子替代矩阵的序列比对[D]. 陈义群.华中科技大学 2006
[8]基于智能优化与隐马尔可夫模型的多序列比对算法研究[D]. 王璐.吉林大学 2006
[9]基于模拟退火的多序列比对算法的研究[D]. 明华.西安电子科技大学 2006
[10]基于进化算法和量子计算的多序列比对方法研究[D]. 林秋利.西安电子科技大学 2006
本文编号：2921390
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：106 页
【学位级别】：博士
【文章目录】：
中文摘要
英文摘要
1 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 MOEA/D算法的研究现状
1.2.2 融合偏好的多目标进化算法研究现状
1.2.3 多序列比对的研究现状
1.3 论文主要研究内容及创新点
1.3.1 本文的主要研究内容
1.3.2 本文的创新点
1.4 论文组织结构
2 基本背景知识的介绍
2.1 引言
2.2 多目标优化问题的定义
2.3 基于分解的多目标进化算法MOEA/D
2.4 多序列比对
2.4.1 多序列比对问题的定义
2.4.2 相似度替换矩阵
2.4.3 空位罚分
2.5 测试函数
2.5.1 ZDT测试函数集
2.5.2 DTLZ测试函数集
2.5.3 UF测试函数集
2.6 多目标进化算法性能评价指标
2.6.1 无偏好多目标进化算法的性能评价指标
2.6.2 有偏好多目标进化算法的评价指标
2.7 Wilcoxon秩和检验
2.8 本章小结
3 一种基于新效用函数的动态资源分配的多目标进化算法
3.1 引言
3.2 MOEA/D-DRA算法概述与分析
3.2.1 MOEA/D-DRA算法概述
3.2.2 MOEA/D-DRA算法分析
3.3 MOEA/D-DRA-NU算法
3.3.1 新提出的效用函数
3.3.2 MOEA/D-DRA-NU算法流程
3.4 实验研究
3.4.1 测试函数
3.4.2 测试算法的简介
3.4.3 参数设置
3.4.4 MOEA/D-DRA-NU算法与MOEA/D-DRA,MOEA/D-DE算法比较
3.4.5 MOEA/D-DRA-NU算法与最新提出多目标进化算法比较
3.5 本章小结
4 改进的融合偏好的多目标进化算法
4.1 引言
4.2RMEAD算法概述与分析
4.2.1 RMEAD算法概述
4.2.2 RMEAD算法分析
4.3 IRMEAD算法
4.3.1 修改 1：估计基权重向量
4.3.2 修改 2：权重向量初始化和更新
4.3.3 IRMEAD算法描述
4.4 实验研究
4.4.1 测试函数
4.4.2 参数设置
4.4.3 实验结果与分析
4.5 小结
5 基于分解的多目标进化算法在多序列比对中的应用
5.1 引言
5.2 多序列比对问题建模
5.2.1 WSPs评分函数
5.2.2 一种新的多序列比对问题模型
5.3 MOMSA算法：一种新的多序列比对方法
5.3.1 算法思想
5.3.2 MOMSA算法流程
5.4 实验研究
5.4.1 测试数据集和评价指标
5.4.2 参数设置
5.4.3 MOMSA算法与VDGA和GAPAM的比较
5.4.4 MOMSA算法与IMSA算法比较
5.4.5 MOMSA算法与其他经典算法比较
5.4.6 MOMSA算法的鲁棒性
5.5 本章小结
6 总结
6.1 主要结论
6.2 后续研究工作的展望
致谢
参考文献
附录
A. 作者在攻读博士学位期间发表的论文：
B. 作者在攻读博士学位期间参与的科研项目：
【参考文献】：
期刊论文
[1]基于双极偏好占优的阵列天线优化方法[J]. 王丽萍,林思颖,邱飞岳. 计算机科学. 2015(01)
[2]关于如何用角度信息引入决策者偏好的研究[J]. 郑金华,谢谆志. 电子学报. 2014(11)
[3]基于双极偏好占优的高维目标进化算法[J]. 邱飞岳,吴裕市,邱启仓,王丽萍. 软件学报. 2013(03)
[4]基于双极偏好占优的多目标进化算法及其应用[J]. 邱飞岳,吴裕市,王丽萍. 计算机集成制造系统. 2012(12)
[5]超级矩阵构树方法研究进展[J]. 朱新宇,汪保华. 生物技术. 2011(05)
[6]Dijkstra算法在蛋白质序列比对中的研究[J]. 祁长红,郁芸,韩新焕. 计算机工程与应用. 2012(24)
[7]基于置换距离度量的蛋白质多序列比对算法性能评估[J]. 高峰,李防震,王珺,董骝焕. 中山大学学报(自然科学版). 2011(02)
[8]求解偏好多目标优化的克隆选择算法[J]. 杨咚咚,焦李成,公茂果,余航. 软件学报. 2010(01)
[9]基于隐马尔可夫模型和免疫粒子群优化的多序列比对算法[J]. 葛宏伟,梁艳春. 计算机研究与发展. 2006(08)
[10]PHGA-COFFEE:多序列比对问题的并行混合遗传算法求解[J]. 刘立芳,霍红卫,王宝树. 计算机学报. 2006(05)
博士论文
[1]生物序列分析算法硬件加速器关键技术研究[D]. 夏飞.国防科学技术大学 2011
[2]基于de Bruijin图的DNA多序列比对并行算法研究[D]. 周红.天津大学 2010
[3]多目标优化进化算法及应用研究[D]. 刘鎏.天津大学 2010
[4]生物信息学中多序列比对等算法的研究[D]. 张敏.大连理工大学 2005
硕士论文
[1]基于多偏好的高维目标进化算法研究及应用[D]. 林思颖.浙江工业大学 2014
[2]基于双极偏好占优的高维目标进化算法研究及其应用[D]. 吴裕市.浙江工业大学 2012
[3]量子遗传算法及其在多序列比对问题中的应用[D]. 谢巧娈.西安电子科技大学 2008
[4]基于量子遗传算法和改进的免疫遗传算法的多序列比对算法研究[D]. 宋晓亮.吉林大学 2007
[5]多序列比对的统计模型及算法[D]. 程力行.西安电子科技大学 2007
[6]基于A-Star和DiAlign算法的多序列比对[D]. 方义.西安电子科技大学 2007
[7]基于密码子替代矩阵的序列比对[D]. 陈义群.华中科技大学 2006
[8]基于智能优化与隐马尔可夫模型的多序列比对算法研究[D]. 王璐.吉林大学 2006
[9]基于模拟退火的多序列比对算法的研究[D]. 明华.西安电子科技大学 2006
[10]基于进化算法和量子计算的多序列比对方法研究[D]. 林秋利.西安电子科技大学 2006
本文编号：2921390
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/2921390.html
