傳統(tǒng)的多目標(biāo)優(yōu)化算法在解決多目標(biāo)問(wèn)題時(shí),容易陷入局部收斂,且解集性能較差。因此,本文針對(duì)不同情況下基于分解的多目標(biāo)進(jìn)化算法（Multi-objective Evolutionary Algorithm based on Decomposition,MOEA/D）表現(xiàn)出的缺陷進(jìn)行改進(jìn),從而提高算法能力,改善解集性能。主要研究?jī)?nèi)容如下:為了提高M(jìn)OEA/D求解Pareto前沿連續(xù)問(wèn)題的能力,本文提出了基于變異算子和鄰域值自適應(yīng)的MOEA/D算法。針對(duì)MOEA/D預(yù)設(shè)控制參數(shù),導(dǎo)致種群質(zhì)量及算法性能下降的問(wèn)題,該算法首先根據(jù)種群中個(gè)體適應(yīng)度值的集中程度自適應(yīng)地調(diào)整變異算子,提高算法搜索能力;其次,利用種群適應(yīng)度值信息和進(jìn)化階段信息自適應(yīng)調(diào)整鄰域值;最后,根據(jù)新產(chǎn)生的個(gè)體在鄰域內(nèi)的被支配數(shù)是否超過(guò)設(shè)定閾值,算法將考慮是否引入Pareto支配關(guān)系作為個(gè)體性能判斷準(zhǔn)則。為了提高M(jìn)OEA/D求解Pareto前沿不連續(xù)問(wèn)題的能力,本文提出了基于自適應(yīng)權(quán)重向量和匹配策略的MOEA/D算法。針對(duì)MOEA/D預(yù)設(shè)權(quán)重向量并采用隨機(jī)匹配策略造成種群多樣性降低等問(wèn)題,該算法首先判定并更新位于不連續(xù)區(qū)域的無(wú)效子問(wèn)... 

【文章來(lái)源】：蘭州理工大學(xué)甘肅省

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 多目標(biāo)進(jìn)化算法研究進(jìn)展
    1.3 基于分解的進(jìn)化算法研究進(jìn)展
    1.4 FSP及 FJSP的研究進(jìn)展
    1.5 本文的主要研究?jī)?nèi)容
    1.6 本章小結(jié)
第2章 多目標(biāo)進(jìn)化算法及其相關(guān)內(nèi)容
    2.1 多目標(biāo)優(yōu)化問(wèn)題的數(shù)學(xué)描述及相關(guān)定義
    2.2 多目標(biāo)進(jìn)化算法的基本框架
    2.3 性能測(cè)度指標(biāo)
        2.3.1 收斂性評(píng)價(jià)指標(biāo)
        2.3.2 分布性評(píng)價(jià)指標(biāo)
        2.3.3 覆蓋性評(píng)價(jià)指標(biāo)
    2.4 本章小結(jié)
第3章 基于變異算子和鄰域值自適應(yīng)的MOEA/D算法
    3.1 引言
    3.2 MOEA/D算法簡(jiǎn)介
        3.2.1 權(quán)重向量的生成
        3.2.2 聚合方法
        3.2.3 鄰域的生成
    3.3 算法設(shè)計(jì)
        3.3.1 自適應(yīng)變異概率
        3.3.2 自適應(yīng)鄰域值
        3.3.3 引入支配關(guān)系的鄰域
    3.4 算法流程
    3.5 實(shí)驗(yàn)結(jié)果與分析
        3.5.1 測(cè)試函數(shù)
        3.5.2 算法性能
        3.5.3 仿真結(jié)果
    3.6 本章小結(jié)
第4章 基于自適應(yīng)權(quán)重向量和匹配策略的MOEA/D算法
    4.1 引言
    4.2 算法設(shè)計(jì)
        4.2.1 自適應(yīng)權(quán)重向量
        4.2.2 子問(wèn)題和個(gè)體的匹配機(jī)制
        4.2.3 外部檔案集
    4.3 算法流程
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 測(cè)試函數(shù)
        4.4.2 算法性能
        4.4.3 仿真結(jié)果
    4.5 本章小結(jié)
第5章 基于雙空間鄰居模型和雙差分進(jìn)化的MOEA/D算法
    5.1 引言
    5.2 算法設(shè)計(jì)
        5.2.1 雙空間鄰居模型及更新策略
        5.2.2 基于LLE算法的決策空間距離計(jì)算
        5.2.3 雙差分進(jìn)化策略
    5.3 算法流程
    5.4 實(shí)驗(yàn)結(jié)果與分析
        5.4.1 測(cè)試函數(shù)
        5.4.2 算法性能
        5.4.3 仿真結(jié)果
    5.5 本章小結(jié)
第6章 基于分解的優(yōu)化方法在FSP及 FJSP中的應(yīng)用
    6.1 引言
    6.2 FSP問(wèn)題的優(yōu)化
        6.2.1 問(wèn)題描述
        6.2.2 數(shù)學(xué)模型的構(gòu)建
        6.2.3 算法設(shè)計(jì)
        6.2.4 優(yōu)化結(jié)果
    6.3 FJSP問(wèn)題的優(yōu)化
        6.3.1 問(wèn)題描述
        6.3.2 數(shù)學(xué)模型的構(gòu)建
        6.3.3 算法設(shè)計(jì)
        6.3.4 優(yōu)化結(jié)果
    6.4 本章小結(jié)
結(jié)論與展望
參考文獻(xiàn)
致謝
附錄 A 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文



本文編號(hào)：2915382