在多目標(biāo)問題(Multi-objective Optimization Problems,MOP)優(yōu)化過程中,由于缺乏對(duì)帕累托前沿(Pareto Front,PF)的選擇壓力,導(dǎo)致經(jīng)典的多目標(biāo)進(jìn)化算法(Multi-objective Evolutionary Algorithms,MOEAs)求解多目標(biāo)優(yōu)化問題無效。此外,眾所周知,在收斂性和多樣性之間如何保持良好的平衡對(duì)于MOEAs的性能也是至關(guān)重要的。上述兩個(gè)方面對(duì)設(shè)計(jì)MOEAs提出了很大的挑戰(zhàn)。為了解決這些問題,研究人員開發(fā)了基于參考點(diǎn)的方法,在優(yōu)化過程中使用預(yù)先產(chǎn)生的參考向量助其保持良好的種群多樣性。但是,不同測(cè)試問題形狀(Shape of PF)在搜索過程中會(huì)嚴(yán)重影響MOEAs的性能。本文提出一種基于參考點(diǎn)自適應(yīng)的高維多目標(biāo)算法,“基于自適應(yīng)參考點(diǎn)的多目標(biāo)進(jìn)化算法(An Adaptation Reference-point-based Multi-Objective Evolutionary Algorithm,ARMA)”,此方法根據(jù)種群的候選解集來學(xué)習(xí)MOP的PF形狀。這種自適應(yīng)方法是調(diào)整參考點(diǎn)的相對(duì)位置和調(diào)整參考平面的形狀,使其可以處理具有凹形的多目標(biāo)優(yōu)化問題或凸形多目標(biāo)優(yōu)化問題,并且根據(jù)整個(gè)種群的目標(biāo)值,使用參數(shù)φ來控制參考點(diǎn)集的超平面形狀和個(gè)體解在超平面上的分布情況。根據(jù)參考點(diǎn)的分布概況,提出的新聚類方法就可以用來平衡多目標(biāo)優(yōu)化中的小生境精英個(gè)體保存操作。我們通過比例和角度值將種群劃分為若干個(gè)局部環(huán)境,這種局部環(huán)境被稱為小生境,然后在環(huán)境選擇策略中根據(jù)不同的適應(yīng)度值挑選不同的或者更好的精英解方案。在這種方法的環(huán)境選擇期間,通過聚合函數(shù)值能加強(qiáng)種群的收斂性能,并且基于比例和角度方法作為衡量種群多樣性的指標(biāo),能夠提高種群分布性能。在實(shí)驗(yàn)中選擇六種最先進(jìn)的進(jìn)化算法,HYPE、SPEA2+SDE、MOEA/D、MOEA/DD、NSGA-III和RVEA作為對(duì)比算法。在實(shí)驗(yàn)中用來測(cè)試算法的優(yōu)化問題選自于ZDT系列,DTLZ系列和WFG系列。這三個(gè)系列問題在多目標(biāo)優(yōu)化問題中具有良好的擴(kuò)展性和分布難度。同時(shí),測(cè)試的多目標(biāo)優(yōu)化問題具有各種特征,例如具有線性,多模態(tài),凹凸面,不連續(xù)或退化特性。在與六個(gè)進(jìn)化算法對(duì)比中發(fā)現(xiàn),本算法產(chǎn)生了一組具有多樣性和收斂性種群,具有強(qiáng)大的競(jìng)爭(zhēng)力與有效性,滿足不同測(cè)試問題的需求。此外,隨著進(jìn)化代數(shù)的增加,參數(shù)φ控制的參考點(diǎn)平面能自適應(yīng)測(cè)試問題的真實(shí)PF,具有測(cè)試問題的凹凸性,線性等特征。
【學(xué)位單位】：湘潭大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP18
【部分圖文】：

多目標(biāo)遺傳算法中的交配選擇是在種群中選選作為生成下一代的父親。交配選擇的好壞直接父代生成的子代也是較好的，較差的父代在產(chǎn)代。因此，交配選擇的算法在遺傳過程中也具兩個(gè)父代個(gè)體發(fā)生基因數(shù)據(jù)交換的過程，此過與父代不同的個(gè)體行為。交叉后的新個(gè)體的數(shù)生各種各樣的變異，數(shù)據(jù)位發(fā)生突變或者整個(gè)。之后，產(chǎn)生的新個(gè)體所組成的種群具有較好的行下一代迭代至關(guān)重要。在交配進(jìn)化算法的發(fā)擇過程要有能選擇精英個(gè)體排序劣質(zhì)解的能力的有 pareto 支配，權(quán)重分解，指標(biāo)操作的算法新種群含有收斂性好，分布性廣的特點(diǎn)，滿足遺傳算法進(jìn)化過程是一種重復(fù)性迭代的過程。

參考點(diǎn)集的比例計(jì)算圖

種群的比例計(jì)算圖
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;科技文摘[J];中國(guó)農(nóng)業(yè)文摘-農(nóng)業(yè)工程;2017年04期

2 梅志偉;;多目標(biāo)進(jìn)化算法綜述[J];軟件導(dǎo)刊;2017年06期

3 李鴻鑫;李銀紅;李智歡;;多目標(biāo)進(jìn)化算法求解無功優(yōu)化問題的比較與評(píng)估[J];電網(wǎng)技術(shù);2013年06期

4 趙晶晶;許峰;;基于分布估計(jì)的分解多目標(biāo)進(jìn)化算法[J];軟件導(dǎo)刊;2012年10期

5 李珂;鄭金華;;一種改進(jìn)的基于差分進(jìn)化的多目標(biāo)進(jìn)化算法[J];計(jì)算機(jī)工程與應(yīng)用;2008年29期

6 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

7 于建偉;;多目標(biāo)進(jìn)化算法研究綜述[J];海南大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年04期

8 周歡;孟利民;王麗萍;林夢(mèng)嫚;江波;;動(dòng)態(tài)鄰域的分解多目標(biāo)進(jìn)化算法[J];小型微型計(jì)算機(jī)系統(tǒng);2017年09期

9 張麗麗;許峰;;基于聚集密度的約束多目標(biāo)進(jìn)化算法[J];安徽理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年01期

10 許峰;季洪霄;;基于種群分類的動(dòng)態(tài)約束多目標(biāo)進(jìn)化算法[J];皖西學(xué)院學(xué)報(bào);2015年05期

相關(guān)博士學(xué)位論文 前10條

1 羅娟娟;多目標(biāo)進(jìn)化學(xué)習(xí)與稀疏聚類理論及應(yīng)用研究[D];西安電子科技大學(xué);2017年

2 王朝;高維多目標(biāo)進(jìn)化算法的關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2018年

3 王鵬;兼顧收斂性與多樣性的多目標(biāo)進(jìn)化算法研究[D];東北大學(xué);2017年

4 呼子宇;多目標(biāo)進(jìn)化算法的改進(jìn)及其在軋制負(fù)荷分配中的應(yīng)用研究[D];燕山大學(xué);2017年

5 付亞平;多目標(biāo)進(jìn)化算法及其在生產(chǎn)調(diào)度中的應(yīng)用研究[D];東北大學(xué);2015年

6 付國(guó)忠;多目標(biāo)進(jìn)化算法及其在礦用挖掘機(jī)提升機(jī)構(gòu)減速器中的應(yīng)用[D];電子科技大學(xué);2018年

7 張鵬翔;多目標(biāo)進(jìn)化算法及其在電力系統(tǒng)中的應(yīng)用研究[D];華中科技大學(xué);2004年

8 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

9 張利彪;基于粒子群和微分進(jìn)化的優(yōu)化算法研究[D];吉林大學(xué);2007年

10 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

相關(guān)碩士學(xué)位論文 前10條

1 呂文鵬;免疫多目標(biāo)進(jìn)化算法的研究與應(yīng)用[D];安徽理工大學(xué);2019年

2 付劉偉;基于參考向量動(dòng)態(tài)適應(yīng)的高維多目標(biāo)進(jìn)化算法的研究[D];湘潭大學(xué);2019年

3 侯章祿;基于偏好信息的多目標(biāo)進(jìn)化算法及其評(píng)價(jià)指標(biāo)的研究[D];湘潭大學(xué);2019年

4 周克飛;基于并行多目標(biāo)進(jìn)化算法的大規(guī)模復(fù)雜網(wǎng)絡(luò)社團(tuán)檢測(cè)研究[D];安徽大學(xué);2019年

5 張菘洺;基于膜結(jié)構(gòu)的多目標(biāo)進(jìn)化算法[D];廈門大學(xué);2017年

6 吳峰;基于差異化鄰域策略的分解多目標(biāo)進(jìn)化算法研究及應(yīng)用[D];浙江工業(yè)大學(xué);2018年

7 何偉鵬;錐形分解多目標(biāo)進(jìn)化算法的約束處理技術(shù)研究[D];華南理工大學(xué);2018年

8 張奇勝;基于分解思想的多目標(biāo)進(jìn)化算法研究[D];湖南大學(xué);2018年

9 丁洋洋;分解策略型多目標(biāo)進(jìn)化算法中的自適應(yīng)機(jī)制研究[D];南京信息工程大學(xué);2018年

10 班陽;基于分解的多目標(biāo)進(jìn)化算法和多目標(biāo)狼群算法的改進(jìn)[D];陜西師范大學(xué);2018年

本文編號(hào)：2855521