基于参考点的高维多目标进化算法研究

发布时间：2020-12-26 23:22

　　在日常生活中,多个目标同时求优的问题非常普遍,称这类问题为多目标优化问题。进化算法因拥有较好的收敛性与多样性而被广泛应用到多目标优化问题中,目前,对于2到3个目标优化问题的研究占大多数,然而实际问题中所涉及的目标数目往往超过3个。基于Pareto支配的进化算法是解决该类问题最常用的方法之一,然而它在处理该类问题时,存在Pareto支配失效、分层耗时及难以维持收敛性与多样性的平衡等问题。对于这些问题的研究,一些研究人员开发出了一种基于参考点的方法,在优化过程中预先产生一组参考向量,使得种群保持良好的多样性。但是,不同测试问题的Pareto前沿在搜索过程中会使MOEAs的性能受到严重的影响。因此,本文在基于参考点的进化方法的基础上对上述问题进行研究,主要研究内容概括如下:首先,为了解决Pareto支配收敛速度慢、PBI聚合在不连续的Pareto前沿上分布性差及运行效率低的问题,基于两阶段参考点三层选择,提出了一种多目标优化算法。该算法首先提出两阶段参考点策略,算法前期设置较少的参考点,使种群快速收敛,提高运行效率;算法后期设置较多的参考点,改善种群的多样性。其次提出三层选择策略,第一层为了... 

【文章来源】：兰州理工大学甘肃省

【文章页数】：89 页

【学位级别】：硕士

【部分图文】：

基林曲线

硕士学位论文17Pt父代N个Qt父代N个交叉变异q个U个1:L-1层ENS排序L层合并种群p个k个PBI排序1:w-1层w层N-(p+q)个z层q个p个N-(p+q)个小生境选择Pt+1删除删除删除图3.1TT-MOEA总体框架示意图3.2.2聚类操作图3.2PBI-1聚类方法图3.3PBI-2聚类方法图3.4拐点示意图图中绿点为参考点，iλ与jλ为参考线，iC与jC为聚类区域，L为超平面。传统的PBI聚类[54]描述为个体到参考线的垂直距离2d，与其垂足到理想点之

硕士学位论文17Pt父代N个Qt父代N个交叉变异q个U个1:L-1层ENS排序L层合并种群p个k个PBI排序1:w-1层w层N-(p+q)个z层q个p个N-(p+q)个小生境选择Pt+1删除删除删除图3.1TT-MOEA总体框架示意图3.2.2聚类操作图3.2PBI-1聚类方法图3.3PBI-2聚类方法图3.4拐点示意图图中绿点为参考点，iλ与jλ为参考线，iC与jC为聚类区域，L为超平面。传统的PBI聚类[54]描述为个体到参考线的垂直距离2d，与其垂足到理想点之

【参考文献】：
期刊论文
[1]基于正态分布和自适应变异算子的ε截断算法[J]. 李进,李二超.  山东大学学报(工学版). 2019(02)
[2]进化高维多目标优化研究进展[J]. 孙靖,巩敦卫.  控制理论与应用. 2018(07)
[3]进化高维多目标优化算法研究综述[J]. 刘建昌,李飞,王洪海,李田军.  控制与决策. 2018(05)
[4]多目标进化算法在通信网络中的应用研究[J]. 黄伟.  湖北农机化. 2017(06)
[5]带有时间窗的电商物流终端配送研究[J]. 袁雨果,高华峰.  湖北民族学院学报(自然科学版). 2017(04)
[6]利用冲突信息降维的进化高维目标优化算法[J]. 罗乃丽,李霞,王娜.  信号处理. 2017(09)
[7]基于高维多目标优化的多车场车辆路径问题[J]. 毕志升,郑炯彬,蔡桂艳.  计算机与数字工程. 2017(07)
[8]基于参考点的高维多目标粒子群算法[J]. 韩敏,何泳,郑丹晨.  控制与决策. 2017(04)
[9]一种基于解空间分割的并行遗传算法[J]. 冯勇,郭军,徐红艳,付潇莹.  计算机与数字工程. 2017(02)
[10]基于SPEA2和NSGA-Ⅱ算法的并行多目标优化算法[J]. 刘福英,王晓升.  信息通信. 2016(11)

博士论文
[1]基于参考点的高维多目标演化算法研究及其在卫星星座设计中的应用[D]. 周冲.中国地质大学 2018

硕士论文
[1]基于参考点的高维多目标进化算法的研究[D]. 刘凯松.中原工学院 2018
[2]基于加法ε+指标的多目标优化方法研究[D]. 杨芸.深圳大学 2017
[3]面向指标和边界选择的高维多目标进化算法的研究[D]. 朱铮.湘潭大学 2016
[4]基于Pareto支配的高维多目标进化算法研究[D]. 韩红艳.大连理工大学 2016
[5]基于分解排序的多目标进化算法的研究[D]. 杨志翔.南京航空航天大学 2016



本文编号：2940633