基于不严格冲突特性的多目标进化算法的研究

发布时间：2023-04-19 17:57

　　在通常的多目标进化算法中,都默认多目标之间一直存在冲突来解决的。但是在实际问题中,并不是所有情况下,目标之间都存在冲突。在这种类型的问题中,因为一些收敛性更好的解会因为分布而被更差的解所支配,因此帕累托支配可能会失效。本文针对这一特性,提出了一种基于非冲突特性的多目标进化算法的混合框架(MS),该框架混合使用MOEA和SOEA,在保证不显著降低多目标进化算法性能的同时,减少计算资源。在进化过程中,通过计算目标之间是否发生冲突,将种群划分为两个子种群。然后将SOEA应用于目标不冲突的子种群,MOEA应用于目标冲突的子种群。该方法综合了SOEA和MOEA的优点,SOEA能够快速收敛到Pareto前沿,MOEA能够保持较好的种群分布。本文针对目标之间不严格冲突的特性,根据现有测试问题设计了一套新的测试问题集。该问题集包含了一般测试问题拥有的特性和目标不严格冲突特性,能够很好地评价框架是否有效。本文提出的框架在这7个新的问题上进行实验,对比了三个方向的经典算法(NSGA-II、MOEA/D-Tch、SMS-EMOA)和在加入框架后的算法在时间和两个综合指标IGD,HV上的性能。从实验数据可以看...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 多目标优化概述
    1.2 混合框架研究现状
    1.3 应用模型介绍
    1.4 论文的组织结构
    1.5 本章小结
第2章 相关工作
    2.1 三个经典算法
    2.2 同类工作研究分析
    2.3 本章小结
第3章 MS框架与细节
    3.1 动机
    3.2 算法框架
    3.3 冲突检测策略
    3.4 决策变量分类策略
    3.5 三个经典算法套用框架之后时间复杂度计算
    3.6 本章小结
第4章 测试函数与评价指标
    4.1 测试问题一般特性
        4.1.1 偏转
        4.1.2 多模
        4.1.3 欺骗
        4.1.4 凹、凸、混合
        4.1.5 退化
        4.1.6 不可分
    4.2 现有测试函数
    4.3 新的测试函数
    4.4 评价指标
        4.4.1 IGD指标
        4.4.2 HV指标
    4.5 本章小结
第5章 实验结果与分析
    5.1 测试算法和参数设置
    5.2 实验结果
    5.3 结果分析
    5.4 机械臂实验结果及分析
第6章 总结与展望
    6.1 本文工作总结
    6.2 未来展望
参考文献
致谢
附录 A 攻读硕士学位期间参与的科研项目,成果及获奖情况
附录 B 主要符号对照表



本文编号：3793926