基于进化算法的大规模稀疏多目标优化问题求解

发布时间：2021-04-30 02:31

　　多目标优化问题普遍存在于现实生活中的各个领域,但是传统的数学方法并不能很好的求解多目标优化问题。在过去的几十年里,因进化算法具有不需要问题的先验信息和一次运行能得到多个非支配解的特点,而被广泛的应用于求解多目标优化问题。如今,进化计算领域已对多种多目标优化问题进行了广泛的研究,并且提出了许多行之有效的进化算法。然而对于广泛存在于实际工程应用中的大规模稀疏多目标优化问题（LargeScale Sparse Multi-Objective Optimization Problems）,现有的进化算法通常很难进行有效求解。因此,本文对求解大规模稀疏多目标优化问题的进化算法从性能和效率两个方面进行了探索与研究,具体研究内容如下:（1）为了有效的解决大规模稀疏多目标优化问题,针对于其Pareto最优解中只有少量非零变量的稀疏特性,利用模式挖掘的思想,将Pareto最优解当作事务,从中挖掘出非变量的组合模式,从而减小了搜索空间。基于此,本文提出了一种基于模式挖掘的大规模稀疏多目标进化算法（PM-MOEA）。PM-MOEA采用了一种多目标模式挖掘算法来挖掘Pareto最优解中非零变量的最大和最小候选... 

【文章来源】：安徽大学安徽省 211工程院校

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 本文的工作与安排
第二章 相关工作与理论基础
    2.1 多目标优化问题的相关理论
        2.1.1 多目标优化问题的基本定义
        2.1.2 大规模稀疏多目标优化问题
        2.1.3 性能评价指标
    2.2 相关工作
        2.2.1 大规模多目标进化算法
        2.2.2 大规模稀疏多目标进化算法
    2.3 本章小结
第三章 基于模式挖掘的大规模稀疏多目标进化算法
    3.1 基于模式挖掘的大规模稀疏多目标进化算法
        3.1.1 算法思想
        3.1.2 算法框架
        3.1.3 进化模式挖掘方法
        3.1.4 遗传算子
    3.2 实验与分析
        3.2.1 实验设置
        3.2.2 PM-MOEA在基准SMOPs上的效果
        3.2.3 PM-MOEA组件的有效性
        3.2.4 PM-MOEA在实际SMOPs上的性能
        3.2.5 PM-MOEA的计算效率
    3.3 本章小结
第四章 基于Pareto最优子空间学习的大规模稀疏多目标进化算法
    4.1 基于Pareto最优子空间学习的大规模稀疏多目标进化算法
        4.1.1 算法思想
        4.1.2 受限玻尔兹曼机和降噪自动编码机
        4.1.3 算法框架
        4.1.4 Pareto最优子空间学习及子代产生
        4.1.5 参数自适应策略
        4.1.6 计算复杂度
    4.2 实验与分析
        4.2.1 对比算法
        4.2.2 测试问题
        4.2.3 基准测试的结果
        4.2.4 实际问题的结果
        4.2.5 MOEA/PSL中两个神经网络的有效性
        4.2.6 MOEA/PSL中参数自适应策略的有效性
        4.2.7 MOEA/PSL的计算效率
    4.3 本章小结
结论
参考文献
攻读硕士学位期间取得的学术成果和参与的科研项目
致谢



本文编号：3168665