多目標優(yōu)化問題廣泛存在于不同領域且處于非常關鍵的地位,因此解決多目標優(yōu)化問題具有重要科研價值和實際意義。解決多目標優(yōu)化問題常用的方法是多目標進化算法（MOEA）,其中基于分解的多目標進化算法（MOEA/D）從提出以來便引起了廣泛關注。MOEA/D利用分治的思想將復雜的多目標優(yōu)化問題分解為多個單目標優(yōu)化問題同時處理,與其它MOEA相比,MOEA/D對于處理多目標優(yōu)化問題有明顯的優(yōu)勢,它對于連續(xù)優(yōu)化問題和組合優(yōu)化問題具有強大的搜索能力,它的性能與選用的分解方法相關。在現(xiàn)有分解方法中,具有適當懲罰參數(shù)的基于懲罰的邊界交叉（PBI）法在處理高維多目標優(yōu)化問題時表現(xiàn)出了它的優(yōu)越性,但它的缺陷是其算法性能與懲罰參數(shù)設置高度相關,而這個參數(shù)的范圍又很寬廣。目前對于PBI方法懲罰參數(shù)的研究與如何設置的相關工作很少,本文通過PBI方法懲罰參數(shù)的系統(tǒng)研究,針對高維多目標優(yōu)化問題提出了有效的改進算法。本文主要工作如下:（1）針對高維多目標優(yōu)化問題,研究了PBI方法懲罰參數(shù)的敏感性,并提出了一種分階段參數(shù)自適應的PBI算法Ada-PBI。首先從不同測試問題的最佳懲罰參數(shù)不同與同一個問題不同迭代時期表現(xiàn)最佳的懲... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

多樣性與收斂性圖示

圖 2.2 基于分解的多目標進化算法基本框架流程如圖 2.2 所示。算法運行前需要一組給定樣性，根據(jù)權向量之間的歐氏距離，找到離每鄰居。算法運行后首先進行種群初始化，在可

圖 2.3 PBI 分解方法圖示上述邊界交叉方法的一個缺陷是必須要處理相等約束的問題，基于懲罰的邊界交叉（PBI）方法可以有效改進這個問題。PBI 分解方法具有在目標 MOP 的 PF 上獲得良好分布的解集和有效處理 MaOP 的優(yōu)點而被廣泛使用，它利用估計的理想點和通過


本文編號：3052206