本文選題：多目標(biāo)進(jìn)化算法　切入點(diǎn)：距離收斂量　出處：《東北師范大學(xué)》2017年碩士論文　論文類(lèi)型：學(xué)位論文

【摘要】：近年來(lái),多目標(biāo)優(yōu)化問(wèn)題已經(jīng)成為人工智能領(lǐng)域中最重要的問(wèn)題形式之一。多目標(biāo)進(jìn)化算法憑借其優(yōu)秀的求解能力,已經(jīng)成為求解多目標(biāo)優(yōu)化問(wèn)題最重要的方法之一。多目標(biāo)進(jìn)化算法是一種基于群體演進(jìn)的人工智能算法,該算法以生物進(jìn)化過(guò)程中的優(yōu)勝劣汰原理為基礎(chǔ),以此推演出一套隨機(jī)的全局搜索策略。而在篩選個(gè)體的過(guò)程中,多目標(biāo)進(jìn)化算法大都利用非支配信息和密度信息評(píng)價(jià)個(gè)體。針對(duì)上述問(wèn)題,本文提出了一種基于距離收斂量和歷史信息密度的多目標(biāo)進(jìn)化算法,并同4個(gè)最新的多目標(biāo)進(jìn)化算法在2個(gè)基準(zhǔn)問(wèn)題集上進(jìn)行了對(duì)比實(shí)驗(yàn)。本文的主要工作可以總結(jié)如下:(1)為了可以在個(gè)體支配等級(jí)相同的情況下有效的區(qū)分個(gè)體的收斂程度,本文提出的距離收斂量的概念,并在此基礎(chǔ)上提出了一種新的配對(duì)選擇操作;(2)為了可以在計(jì)算個(gè)體密度的過(guò)程中考慮整個(gè)搜索過(guò)程,本文提出的歷史信息密度,并在此基礎(chǔ)上提出了新的個(gè)體選擇操作;(3)通過(guò)對(duì)比實(shí)驗(yàn)結(jié)果可以說(shuō)明基于距離收斂量和歷史信息密度的多目標(biāo)進(jìn)化算法比相對(duì)比的其他算法有更好的求解效果。
[Abstract]:In recent years, multi-objective optimization problem has become one of the most important problems in the field of artificial intelligence. Multiobjective evolutionary algorithm is an artificial intelligence algorithm based on population evolution, which is based on the principle of survival of the fittest in the process of biological evolution. A set of random global search strategies is derived. However, in the process of selecting individuals, the multi-objective evolutionary algorithms mostly evaluate individuals using non-dominated information and density information. In this paper, a multi-objective evolutionary algorithm based on distance convergence and historical information density is proposed. And compared with four new multi-objective evolutionary algorithms on two benchmark problem sets, the main work of this paper can be summarized as follows: (1) in order to effectively distinguish the degree of convergence of individuals under the same dominance level, In this paper, the concept of distance convergence is proposed, and a new pairing selection operation is proposed. In order to consider the whole searching process in the process of calculating individual density, the historical information density is proposed in this paper. On this basis, a new individual selection operation is proposed. By comparing the experimental results, it can be shown that the multi-objective evolutionary algorithm based on distance convergence and historical information density is more effective than other algorithms.
【學(xué)位授予單位】：東北師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 余聶芳;宋武;;一種改進(jìn)的聚集距離的多目標(biāo)進(jìn)化算法[J];電腦知識(shí)與技術(shù);2010年14期

2 關(guān)志華;多目標(biāo)進(jìn)化算法研究初步[J];石家莊經(jīng)濟(jì)學(xué)院學(xué)報(bào);2002年02期

3 張勇德,黃莎白;一種改進(jìn)的基于約束支配的多目標(biāo)進(jìn)化算法[J];計(jì)算機(jī)工程;2004年16期

4 雷德明,吳智銘;基于個(gè)體密集距離的多目標(biāo)進(jìn)化算法[J];計(jì)算機(jī)學(xué)報(bào);2005年08期

5 薛娟;鄭金華;李旭勇;;一種基于聚集距離的多目標(biāo)進(jìn)化算法[J];計(jì)算機(jī)工程與應(yīng)用;2005年36期

6 馬清亮;胡昌華;;多目標(biāo)進(jìn)化算法及其在控制領(lǐng)域中的應(yīng)用綜述[J];控制與決策;2006年05期

7 唐歡容;蔣浩;鄭金華;;量子多目標(biāo)進(jìn)化算法研究[J];計(jì)算機(jī)工程與應(yīng)用;2007年13期

8 林丹;丑英哲;李敏強(qiáng);;求解多目標(biāo)二層規(guī)劃的多目標(biāo)進(jìn)化算法[J];系統(tǒng)工程學(xué)報(bào);2007年02期

9 鄭向偉;劉弘;;多目標(biāo)進(jìn)化算法研究進(jìn)展[J];計(jì)算機(jī)科學(xué);2007年07期

10 李密青;鄭金華;羅彪;伍軍;文詩(shī)華;;一種基于鄰域的多目標(biāo)進(jìn)化算法[J];計(jì)算機(jī)應(yīng)用;2008年06期

相關(guān)會(huì)議論文 前2條

1 孫海濤;熊鷹;韓峰;;基于多目標(biāo)進(jìn)化算法的艦船概念設(shè)計(jì)方法研究[A];第四屆全國(guó)船舶與海洋工程學(xué)術(shù)會(huì)議論文集[C];2009年

2 崔遜學(xué);;多目標(biāo)進(jìn)化算法的研究現(xiàn)狀與群體多樣性研究[A];Complexity Problems--Proceedings of CCAST (World Laboratory) Workshop[C];2001年

相關(guān)重要報(bào)紙文章 前1條

1 本報(bào)記者 邵嶺;人類(lèi)語(yǔ)言中也有“DNA”？[N];文匯報(bào);2011年

相關(guān)博士學(xué)位論文 前10條

1 豐志偉;多目標(biāo)進(jìn)化算法研究及在飛行器動(dòng)力學(xué)系統(tǒng)中的應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

2 代才;基于分解的多目標(biāo)進(jìn)化算法研究[D];西安電子科技大學(xué);2014年

3 申瑞珉;高維多目標(biāo)進(jìn)化算法及其軟件平臺(tái)研究[D];湘潭大學(xué);2015年

4 袁源;基于分解的多目標(biāo)進(jìn)化算法及其應(yīng)用[D];清華大學(xué);2015年

5 孟紅云;多目標(biāo)進(jìn)化算法及其應(yīng)用研究[D];西安電子科技大學(xué);2005年

6 黃林峰;多目標(biāo)進(jìn)化算法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2009年

7 郭秀萍;多目標(biāo)進(jìn)化算法及其在制造系統(tǒng)中的應(yīng)用研究[D];上海交通大學(xué);2007年

8 譚艷艷;幾種改進(jìn)的分解類(lèi)多目標(biāo)進(jìn)化算法及其應(yīng)用[D];西安電子科技大學(xué);2013年

9 張明明;面向量子可逆邏輯自動(dòng)綜合的多目標(biāo)進(jìn)化算法研究[D];東華大學(xué);2010年

10 劉立衡;多目標(biāo)進(jìn)化算法的研究及其在負(fù)荷分配中的應(yīng)用[D];華北電力大學(xué)（北京）;2010年

相關(guān)碩士學(xué)位論文 前10條

1 李瀟涵;基于距離收斂量和歷史信息密度的多目標(biāo)進(jìn)化算法的研究[D];東北師范大學(xué);2017年

2 吳坤安;基于分散策略的多目標(biāo)進(jìn)化算法研究[D];福建師范大學(xué);2015年

3 馬晨琳;基于分解的交互式偏好多目標(biāo)優(yōu)化算法研究[D];西安電子科技大學(xué);2014年

4 喻果;基于分解的偏好多目標(biāo)進(jìn)化算法及其評(píng)價(jià)指標(biāo)的研究[D];湘潭大學(xué);2015年

5 季洪霄;動(dòng)態(tài)約束多目標(biāo)進(jìn)化算法的研究與應(yīng)用[D];安徽理工大學(xué);2016年

6 李達(dá)統(tǒng);基于MapReduce與Spark的分布式多目標(biāo)進(jìn)化算法的設(shè)計(jì)與實(shí)現(xiàn)[D];華南理工大學(xué);2016年

7 齊吉;基于聚類(lèi)的多目標(biāo)進(jìn)化算法及其在航跡規(guī)劃中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2016年

8 李輝健;多目標(biāo)進(jìn)化算法中新型非支配個(gè)體排序研究及應(yīng)用[D];南京信息工程大學(xué);2016年

9 楊志翔;基于分解排序的多目標(biāo)進(jìn)化算法的研究[D];南京航空航天大學(xué);2016年

10 朱錚;面向指標(biāo)和邊界選擇的高維多目標(biāo)進(jìn)化算法的研究[D];湘潭大學(xué);2016年

，

本文編號(hào)：1642019