本文選題：煙花爆炸優(yōu)化 + 多目標(biāo)優(yōu)化算法��； 參考：《電子學(xué)報》2017年10期

【摘要】：現(xiàn)實中多目標(biāo)優(yōu)化問題的多樣化和復(fù)雜化要求發(fā)展新的多目標(biāo)優(yōu)化算法.在混合多目標(biāo)進化算法設(shè)計思想和新型進化模型的啟發(fā)下,提出一種增強型多目標(biāo)煙花爆炸算法eMOFEOA,該算法利用均勻化與隨機化相結(jié)合的方法生成均勻分布的初始種群,為算法后續(xù)搜索提供較好的起始點;對煙花爆炸半徑采用精細化控制策略,即不同世代的種群具有不同的爆炸半徑,而且同一種群內(nèi)部因個體支配強度的差異而具有不同的爆炸半徑,以節(jié)省計算資源;利用簡化的k-最近鄰方法維持外部檔案的多樣性.本文算法與另5種對等比較算法一同在12個基準(zhǔn)多目標(biāo)測試函數(shù)上進行性能比較,實驗結(jié)果表明eMOFEOA算法在收斂性、多樣性和穩(wěn)定性上具有總體上顯著的性能優(yōu)勢.
[Abstract]:The diversification and complexity of multi-objective optimization problems in reality require the development of new multi-objective optimization algorithms. An enhanced multi-objective fireworks explosion algorithm eMOFEOAA is proposed based on the design idea of hybrid multi-objective evolutionary algorithm and a new evolutionary model. The algorithm uses the combination of homogenization and randomization to generate uniform initial population. It provides a better starting point for the subsequent search of the algorithm, and adopts a fine control strategy for the explosion radius of fireworks, that is, the population of different generations has different explosion radius. Moreover, there are different explosion radii within the same population because of the difference of individual dominating intensity, so as to save computational resources, and to maintain the diversity of external files by using the simplified k- nearest neighbor method. The performance of the proposed algorithm is compared with the other five peer-to-peer comparison algorithms on 12 benchmark multiobjective test functions. The experimental results show that the eMOFEOA algorithm has significant performance advantages in terms of convergence, diversity and stability.
【作者單位】： 華東交通大學(xué)軟件學(xué)院;河北地質(zhì)大學(xué)信息工程學(xué)院;
【基金】：國家自然科學(xué)基金(No.61763010,No.61165004,No.61402481,No.61663009) 江西省自然科學(xué)基金(No.20114BAB201025,No.20151BAB207022,No.20161BAB202064) 河北省青年拔尖人才支持計劃(冀字[2013]17號) 河北省自然科學(xué)基金(No.F2015403046) 科學(xué)計算與智能信息處理廣西高校重點實驗室(No.GXSCIIP201604) 江西省教育廳科技項目(No.GJJ12307,No.GJJ14373,No.GJJ150539)
【分類號】：TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 任慶生,葉中行,曾進;進化算法的收斂速度[J];上海交通大學(xué)學(xué)報;1999年06期

2 齊潔;汪定偉;;極值優(yōu)化算法綜述[J];控制與決策;2007年10期

3 孫騫;張進;王宇翔;;蟻群算法優(yōu)化策略綜述[J];信息安全與技術(shù);2014年02期

4 胡娟,王常青,韓偉,全智;蟻群算法及其實現(xiàn)方法研究[J];計算機仿真;2004年07期

5 李金漢;杜德生;;一種改進蟻群算法的仿真研究[J];自動化技術(shù)與應(yīng)用;2008年02期

6 李修琳;魯建廈;柴國鐘;湯洪濤;;混合蜂群算法求解柔性作業(yè)車間調(diào)度問題[J];計算機集成制造系統(tǒng);2011年07期

7 秦全德;程適;李麗;史玉回;;人工蜂群算法研究綜述[J];智能系統(tǒng)學(xué)報;2014年02期

8 李豆豆;邵世煌;齊金鵬;;生存遷移算法[J];系統(tǒng)仿真學(xué)報;2008年08期

9 曹炬;賈紅;李婷婷;;煙花爆炸優(yōu)化算法[J];計算機工程與科學(xué);2011年01期

10 劉曉勇;付輝;;一種快速AP聚類算法[J];山東大學(xué)學(xué)報(工學(xué)版);2011年04期

相關(guān)會議論文 前5條

1 朱雙東;艾智斌;閻夏;;BP網(wǎng)絡(luò)學(xué)習(xí)算法的改進方案探析[A];1998年中國智能自動化學(xué)術(shù)會議論文集（上冊）[C];1998年

2 唐乾玉;陳翰馥;韓曾晉;;串行生產(chǎn)線的參數(shù)優(yōu)化[A];1994年中國控制會議論文集[C];1994年

3 劉桂萍;于瑞貞;;動態(tài)環(huán)境下的柴油機調(diào)速系統(tǒng)PID控制參數(shù)的多目標(biāo)優(yōu)化[A];中國力學(xué)大會——2013論文摘要集[C];2013年

4 韓肖清;劉海龍;;基于遺傳算法的微電網(wǎng)多目標(biāo)優(yōu)化控制研究[A];2011中國電工技術(shù)學(xué)會學(xué)術(shù)年會論文集[C];2011年

5 曹瑞芬;吳宜燦;景佳;李國麗;裴曦;程夢云;林輝;FDS團隊;;快速非支配排序多目標(biāo)遺傳算法在放療逆向計劃優(yōu)化中的應(yīng)用[A];第二屆全國核技術(shù)及應(yīng)用研究學(xué)術(shù)研討會大會論文摘要集[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 王可心;大規(guī)模過程系統(tǒng)非線性優(yōu)化的簡約空間理論與算法研究[D];浙江大學(xué);2008年

2 李爭名;基于魯棒判別式約束的字典學(xué)習(xí)算法研究[D];哈爾濱工業(yè)大學(xué);2017年

3 王晗丁;復(fù)雜問題的多目標(biāo)進化優(yōu)化算法研究[D];西安電子科技大學(xué);2015年

4 董寧;求解約束優(yōu)化和多目標(biāo)優(yōu)化問題的進化算法研究[D];西安電子科技大學(xué);2015年

5 過曉芳;超多目標(biāo)優(yōu)化問題的幾種進化算法研究[D];西安電子科技大學(xué);2015年

6 左益;基于全局優(yōu)化和局部學(xué)習(xí)的進化多目標(biāo)優(yōu)化算法[D];西安電子科技大學(xué);2016年

7 徐志丹;基于生物地理算法的多目標(biāo)優(yōu)化理論與應(yīng)用研究[D];哈爾濱工程大學(xué);2013年

8 傅啟明;強化學(xué)習(xí)中離策略算法的分析及研究[D];蘇州大學(xué);2014年

9 蔣慶;地下水時空變化及監(jiān)測網(wǎng)多目標(biāo)優(yōu)化研究[D];華中科技大學(xué);2008年

10 陳瓊;演化多目標(biāo)優(yōu)化多樣性保持策略及其應(yīng)用研究[D];武漢理工大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 馬英鈞;基于人工蜂群算法的約束優(yōu)化問題研究[D];華中師范大學(xué);2015年

2 孫方亮;基于粒子群與中心引力的一種新混合算法及應(yīng)用[D];西安電子科技大學(xué);2014年

3 張德祥;基于改進蟻群算法的機器人三維路徑規(guī)劃研究[D];青島科技大學(xué);2015年

4 張申利;基于蜂群算法的GIS優(yōu)化選址及其并行化研究與應(yīng)用[D];中國石油大學(xué)(華東);2014年

5 盧協(xié)平;聯(lián)盟競賽算法的研究與應(yīng)用[D];福州大學(xué);2014年

6 代水芹;基于種群分解的進化超多目標(biāo)算法及其應(yīng)用[D];廣東工業(yè)大學(xué);2016年

7 李倩;支持張量機的切平面算法研究[D];華南理工大學(xué);2016年

8 姚洪曼;基于改進人工蜂群算法的模糊聚類研究[D];廣西大學(xué);2016年

9 丁亞英;基于局部搜索和二進制的改進人工蜂群算法[D];南京師范大學(xué);2016年

10 楊杰;基于粒子群優(yōu)化算法的不確定聚類技術(shù)研究[D];北方民族大學(xué);2016年

，

本文編號：2046671