自适应学习机制驱动的多目标进化算法研究
发布时间：2021-04-19 00:44
大数据背景下,高效处理海量、高维、不确定数据的迫切需要对传统的信息处理技术提出了挑战。以进化计算为代表的智能计算方法被认为是处理复杂多目标问题的有效手段,近年来已成为研究的前沿和热点关注领域。目前,多目标进化算法已在众多领域得到十分广泛的应用,并解决了许多非常有价值的实际问题,其研究成果已经渗透到多个学科。然而,在进化多目标求解的过程中,仍然需要重点关注以下两个方面:1)如何提高多目标进化算法的通用性;2)如何在多目标进化算法搜索过程中融入问题的特征,以实现问题的高效求解。有鉴于此,本论文旨在研究自适应学习机制驱动的多目标进化算法,并对其在复杂多目标优化问题的高效求解方面展开研究,主要创新性工作如下:1.多目标差分进化算法和基于规则的多目标分布估计算法对于不同类型问题的求解具有各自的优势和不足,如何有效融合各自的优势是提高算法计算效率的一种重要途经。为此,提出一种自适应协方差学习模型驱动的多目标混合差分-分布估计算法。首先,通过矩阵理论分析差分进化算子的数学特征以及对不同类型优化问题的影响。其次,利用协方差矩阵来识别种群分布的数据关联特性,以此构建特征坐标系,并利用Sigmoid函数实...
【文章来源】：西安理工大学陕西省
【文章页数】：112 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
符号对照表
缩略语对照表
1 绪论
1.1 研究背景和意义
1.2 研究现状
1.3 现有研究的不足和分析
1.4 本文的主要工作
2 基础知识
2.1 多目标优化问题
2.2 两类多目标分布估计算法
2.2.1 基于规则模型的多目标分布估计算法
2.2.2 基于高斯过程逆模型的多目标分布估计算法
2.3 快速非支配排序选择策略
2.4 评价指标
2.5 本章小结
3 自适应协方差学习模型驱动的多目标混合差分-分布估计算法
3.1 引言
3.2 提出的算法
3.2.1 差分进化算子的数学特征分析
3.2.2 自适应协方差学习
3.2.3 负相关学习
3.3 算法框架
3.4 最坏情况计算复杂度分析
3.5 实验研究
3.5.1 测试函数
3.5.2 参数设置
3.5.3 实验结果与分析
3.6 本章小结
4 自适应逆学习模型驱动的多目标进化算法
4.1 引言
4.2 提出的算法
4.2.1 外部精英存档策略
4.2.2 动态参考向量的设计
4.2.3 偏好交叉操作
4.3 算法框架
4.4 最坏情况计算复杂度分析
4.5 实验研究
4.5.1 测试函数
4.5.2 参数设置
4.5.3 实验结果与分析
4.6 本章小结
5 自适应双空间学习模型驱动的多目标进化算法
5.1 引言
5.2 提出的算法
5.2.1 基于序列的确定性初始化方法
5.2.2 学习模型的自适应选择策略
5.2.3 集成双空间的自适应环境选择策略
5.3 算法框架
5.4 最坏情况计算复杂度分析
5.5 实验研究
5.5.1 测试函数
5.5.2 参数设置
5.5.3 实验结果与分析
5.6 本章小结
6 基于多目标深度信念网络的时间序列预测模型
6.1 时间序列预测
6.2 多目标引导的稀疏深度信念网络
6.2.1 深度信念网络模型
6.2.2 多目标引导的稀疏RBM训练
6.3 实验研究
6.3.1 混沌时间序列预测
6.3.2 电力负荷预测
6.4 本章小结
7 总结与展望
7.1 总结
7.2 展望
致谢
参考文献
附录
附录A
附录B
攻读博士学位期间的研究成果
1. 完成的论文成果
2. 参与的科研项目
3. 完成的论文成果
【参考文献】：
期刊论文
[1]含高比例可再生能源电力系统灵活性规划及挑战[J]. 鲁宗相,李海波,乔颖. 电力系统自动化. 2016(13)
[2]基于多种群粒子群算法和布谷鸟搜索的联合寻优算法[J]. 高云龙,闫鹏. 控制与决策. 2016(04)
[3]智能电网中的若干数学与控制科学问题及其展望[J]. 梅生伟,朱建全. 自动化学报. 2013(02)
[4]风电场风速的神经网络组合预测模型[J]. 戴浪,黄守道,黄科元,叶盛. 电力系统及其自动化学报. 2011(04)
[5]基于遗传算法和BP神经网络的城区中长期电力负荷预测与分析[J]. 程玉桂,黎明,林明玉. 计算机应用. 2010(01)
[6]基于SVM方法的风电场短期风速预测[J]. 彭怀午,杨晓峰,刘方锐. 电网与清洁能源. 2009(07)
[7]基于时间序列分析的风电场风速预测模型[J]. 丁明,张立军,吴义纯. 电力自动化设备. 2005(08)
博士论文
[1]基于进化算法的复杂多目标优化问题求解[D]. 田野.安徽大学 2018
[2]人工雨滴算法及其应用研究[D]. 江巧永.西安理工大学 2017
硕士论文
[1]分布估计算法中差分采样策略的研究[D]. 董兵.华东师范大学 2017
[2]基于规则模型的分布估计多目标算法及应用[D]. 王剑文.中国地质大学 2009
本文编号：3146489
【文章来源】：西安理工大学陕西省
【文章页数】：112 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
符号对照表
缩略语对照表
1 绪论
1.1 研究背景和意义
1.2 研究现状
1.3 现有研究的不足和分析
1.4 本文的主要工作
2 基础知识
2.1 多目标优化问题
2.2 两类多目标分布估计算法
2.2.1 基于规则模型的多目标分布估计算法
2.2.2 基于高斯过程逆模型的多目标分布估计算法
2.3 快速非支配排序选择策略
2.4 评价指标
2.5 本章小结
3 自适应协方差学习模型驱动的多目标混合差分-分布估计算法
3.1 引言
3.2 提出的算法
3.2.1 差分进化算子的数学特征分析
3.2.2 自适应协方差学习
3.2.3 负相关学习
3.3 算法框架
3.4 最坏情况计算复杂度分析
3.5 实验研究
3.5.1 测试函数
3.5.2 参数设置
3.5.3 实验结果与分析
3.6 本章小结
4 自适应逆学习模型驱动的多目标进化算法
4.1 引言
4.2 提出的算法
4.2.1 外部精英存档策略
4.2.2 动态参考向量的设计
4.2.3 偏好交叉操作
4.3 算法框架
4.4 最坏情况计算复杂度分析
4.5 实验研究
4.5.1 测试函数
4.5.2 参数设置
4.5.3 实验结果与分析
4.6 本章小结
5 自适应双空间学习模型驱动的多目标进化算法
5.1 引言
5.2 提出的算法
5.2.1 基于序列的确定性初始化方法
5.2.2 学习模型的自适应选择策略
5.2.3 集成双空间的自适应环境选择策略
5.3 算法框架
5.4 最坏情况计算复杂度分析
5.5 实验研究
5.5.1 测试函数
5.5.2 参数设置
5.5.3 实验结果与分析
5.6 本章小结
6 基于多目标深度信念网络的时间序列预测模型
6.1 时间序列预测
6.2 多目标引导的稀疏深度信念网络
6.2.1 深度信念网络模型
6.2.2 多目标引导的稀疏RBM训练
6.3 实验研究
6.3.1 混沌时间序列预测
6.3.2 电力负荷预测
6.4 本章小结
7 总结与展望
7.1 总结
7.2 展望
致谢
参考文献
附录
附录A
附录B
攻读博士学位期间的研究成果
1. 完成的论文成果
2. 参与的科研项目
3. 完成的论文成果
【参考文献】：
期刊论文
[1]含高比例可再生能源电力系统灵活性规划及挑战[J]. 鲁宗相,李海波,乔颖. 电力系统自动化. 2016(13)
[2]基于多种群粒子群算法和布谷鸟搜索的联合寻优算法[J]. 高云龙,闫鹏. 控制与决策. 2016(04)
[3]智能电网中的若干数学与控制科学问题及其展望[J]. 梅生伟,朱建全. 自动化学报. 2013(02)
[4]风电场风速的神经网络组合预测模型[J]. 戴浪,黄守道,黄科元,叶盛. 电力系统及其自动化学报. 2011(04)
[5]基于遗传算法和BP神经网络的城区中长期电力负荷预测与分析[J]. 程玉桂,黎明,林明玉. 计算机应用. 2010(01)
[6]基于SVM方法的风电场短期风速预测[J]. 彭怀午,杨晓峰,刘方锐. 电网与清洁能源. 2009(07)
[7]基于时间序列分析的风电场风速预测模型[J]. 丁明,张立军,吴义纯. 电力自动化设备. 2005(08)
博士论文
[1]基于进化算法的复杂多目标优化问题求解[D]. 田野.安徽大学 2018
[2]人工雨滴算法及其应用研究[D]. 江巧永.西安理工大学 2017
硕士论文
[1]分布估计算法中差分采样策略的研究[D]. 董兵.华东师范大学 2017
[2]基于规则模型的分布估计多目标算法及应用[D]. 王剑文.中国地质大学 2009
本文编号：3146489
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3146489.html
