不同于單目標(biāo)優(yōu)化算法最終優(yōu)化的結(jié)果只有一個(gè)最優(yōu)解,多目標(biāo)優(yōu)化算法存在著表示目標(biāo)間權(quán)衡信息的解的集合（在目標(biāo)域上一般稱為Pareto前沿）。多目標(biāo)優(yōu)化一般從兩個(gè)方面評(píng)價(jià)獲取的解集的優(yōu)劣。第一是收斂性,即解集離真實(shí)的Pareto前沿的距離,距離越小表明得到的解集越能更好地近似Pareto前沿。第二是多樣性,是指解集的多樣化程度。多樣性越高表明這組解所攜帶的信息量越大,越有利于最優(yōu)決策。本文圍繞著解集的多樣性問(wèn)題,主要研究工作包含以下兩個(gè)部分:1.基于現(xiàn)有的多樣性度量指標(biāo)的優(yōu)缺點(diǎn),對(duì)于超多目標(biāo)優(yōu)化問(wèn)題提出了一種基于參考向量的多樣性指標(biāo)（DIR）。具體過(guò)程如下:首先生成一組分布均勻且廣泛的參考向量,然后計(jì)算每個(gè)解占有的參考向量的數(shù)目,用這些數(shù)目的方差值來(lái)表示多樣性,方差越小多樣性越好,否則越差。我們將該指標(biāo)應(yīng)用于人工生成的解集和算法運(yùn)行得到的解集上,均能較為準(zhǔn)確地反映解集的多樣性性能�；贒IR,本文進(jìn)一步提出了一種超多目標(biāo)優(yōu)化算法（d-NSGA-II）。在主流的測(cè)試問(wèn)題集上與其他算法的實(shí)驗(yàn)比較,表明d-NSGA-II總體性能優(yōu)于其他算法。同時(shí),d-NSGA-II被應(yīng)用于車輛碰撞可靠性設(shè)計(jì)和汽... 

【文章來(lái)源】：南京航空航天大學(xué)江蘇省 211工程院校

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 引言
    1.2 研究動(dòng)機(jī)
    1.3 本文主要貢獻(xiàn)
    1.4 論文結(jié)構(gòu)
第二章 背景介紹
    2.1 多目標(biāo)優(yōu)化問(wèn)題
        2.1.1 問(wèn)題定義
        2.1.2 相關(guān)概念
        2.1.3 收斂性和多樣性
    2.2 性能評(píng)價(jià)指標(biāo)
    2.3 多目標(biāo)優(yōu)化算法
        2.3.1 傳統(tǒng)算法
        2.3.2 演化多目標(biāo)優(yōu)化算法
        2.3.3 局部搜索技術(shù)
    2.4 測(cè)試問(wèn)題
        2.4.1 DTLZ測(cè)試集
        2.4.2 WFG測(cè)試集
        2.4.3 MOTSP測(cè)試集
        2.4.4 MOKP測(cè)試集
    2.5 本章小結(jié)
第三章 基于參考線的多樣性度量指標(biāo)
    3.1 引言
    3.2 多樣性指標(biāo)綜述和DIR設(shè)計(jì)的動(dòng)機(jī)
    3.3 基于參考向量的多樣性度量指標(biāo)
        3.3.1 整體框架
        3.3.2 初始化參考線
        3.3.3 計(jì)算每個(gè)解的覆蓋度
        3.3.4 計(jì)算DIR
        3.3.5 一個(gè)使用DIR的例子
        3.3.6 DIR的精確度討論
        3.3.7 DIR的時(shí)間復(fù)雜度
    3.4 實(shí)驗(yàn)分析
        3.4.1 度量人工設(shè)置的PF近似解集
        3.4.2 度量真實(shí)的PF近似解集
        3.4.3 度量不規(guī)則PF
        3.4.4 參考線數(shù)量對(duì)DIR精確度的影響
    3.5 基于DIR的演化多目標(biāo)優(yōu)化算法（d-NSGA-II）
        3.5.1 將DIR嵌入NSGA-II
        3.5.2 實(shí)驗(yàn)設(shè)置
        3.5.3 與NSGA-II和NSGA-III實(shí)驗(yàn)結(jié)果的對(duì)比
        3.5.4 時(shí)間復(fù)雜度分析
        3.5.5 d-NSGA-II處理真實(shí)工程問(wèn)題
    3.6 本章小結(jié)
第四章 基于格子加權(quán)支配的局部搜索算法
    4.1 引言
    4.2 格子系統(tǒng)
    4.3 格子加權(quán)支配
    4.4 基于格子加權(quán)法的帕里托局部搜索算法
        4.4.1 算法框架
        4.4.2 初始化
        4.4.3 局部搜索
        4.4.4 更新
        4.4.5 與?-MOEA的對(duì)比
    4.5 實(shí)驗(yàn)分析
        4.5.1 實(shí)驗(yàn)設(shè)置
        4.5.2 與MOEA/D-LS（WS,TCH,PBI）及?-MOEA的實(shí)驗(yàn)結(jié)果的對(duì)比
        4.5.3 與PLS和MOMAD實(shí)驗(yàn)結(jié)果的對(duì)比
        4.5.4 格子加權(quán)法對(duì)算法結(jié)果的影響
    4.6 本章小結(jié)
第五章 研究工作總結(jié)和展望
    5.1 本文總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文


【參考文獻(xiàn)】：
期刊論文
[1]基于逐步回歸模型的汽車碰撞安全性多目標(biāo)優(yōu)化[J]. 張維剛,廖興濤,鐘志華.  機(jī)械工程學(xué)報(bào). 2007(08)



本文編號(hào)：3044700