在現(xiàn)實生活中許多優(yōu)化問題都有多個目標(biāo),必須同時進(jìn)行優(yōu)化,傳統(tǒng)的技術(shù)已經(jīng)不能解決多目標(biāo)優(yōu)化的問題,元啟發(fā)算法為解決多目標(biāo)問題提供了新的思路,而粒子群算法是元啟發(fā)算法的代表性算法,粒子群算法思想源自自然界鳥類捕食的行為。雖然已經(jīng)有很多多目標(biāo)粒子群算法,但是由于粒子群特殊的引導(dǎo)者機(jī)制和早熟的問題,使得多目標(biāo)粒子群算法在尋優(yōu)過程中存在收斂困難和多樣性偏差的問題。針對以上問題,本文在深入研究多目標(biāo)粒子群算法的基礎(chǔ)上對其提出改進(jìn)方法,主要工作如下:(1)為了改善多目標(biāo)粒子群算法存在優(yōu)化解的多樣性不足和算法的收斂性問題,提出了一種博弈機(jī)制的多目標(biāo)粒子群算法,該算法并不需要外部集來存儲全局最優(yōu)值和個體最優(yōu)值。首先利用混沌映射的特性改善算法的收斂速度,避免算法陷入局部最優(yōu),其次擁擠距離和博弈機(jī)制保持了算法的多樣性。實驗結(jié)果表明,與六種算法在三個系列測試函數(shù)上進(jìn)行對比,提出的算法在種群多樣性的維持和收斂速度方面都具有良好的性能。(2)為了平衡搜索過程中的收斂性和多樣性,提出了一種新的混合策略的多目標(biāo)粒子群算法,該方法提出了一種簡化的面向引導(dǎo)者的粒子群算法,加快了粒子的收斂速度;其次,充分利用粒子群算法的學(xué)...

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的研究內(nèi)容和論文結(jié)構(gòu)
        1.3.1 本文研究內(nèi)容
        1.3.2 論文結(jié)構(gòu)
第二章 基本理論
    2.1 多目標(biāo)優(yōu)化概念
        2.1.1 Pareto概念
        2.1.2 多目標(biāo)進(jìn)化算法概念
    2.2 群智能概念
        2.3.1 鳥群行為的建模
        2.3.2 粒子群優(yōu)化算法
    2.3 多目標(biāo)粒子群優(yōu)化算法
        2.3.1 外部儲備集
        2.3.2 全局最優(yōu)粒子選擇機(jī)制
        2.3.3 個體最優(yōu)選擇機(jī)制
        2.3.4 遺傳算子
        2.3.5 多種群
第三章 基于博弈機(jī)制的多目標(biāo)粒子群優(yōu)化算法
    3.1 引言
    3.2 算法基本理論
        3.2.1 粒子群算法
        3.2.2 博弈
    3.3 博弈機(jī)制算法
        3.3.1 混沌映射
        3.3.2 多尺度混沌變異策略
        3.3.3 GMOPSO框架
        3.3.4 新博弈更新機(jī)制
    3.4 實驗仿真與分析
        3.4.1 實驗環(huán)境
        3.4.2 IGD對比分析
        3.4.3 Pareto前沿比較
    3.5 本章小結(jié)
第四章 混合策略的多目標(biāo)粒子群優(yōu)化算法
    4.1 引言
    4.2 算法基本理論
        4.2.1 優(yōu)化內(nèi)容
        4.2.2 引導(dǎo)者選擇策略
        4.2.3 參考向量
    4.3 混合策略
        4.3.1 簡化的速度更新策略
        4.3.2 儲備集策略
        4.3.3 成熟度量化
        4.3.4 雙重決策
        4.3.5 多樣性增強(qiáng)
        4.3.6 算法主框架
    4.4 實驗仿真與分析
        4.4.1 實驗環(huán)境
        4.4.2 IGD值對比分析
        4.4.3 Pareto前沿分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間的研究成果



本文編號：3840517