本文關(guān)鍵詞：基于進(jìn)化算法的高維多目標(biāo)優(yōu)化問(wèn)題求解方法及應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：多目標(biāo)進(jìn)化算法是目前求解多目標(biāo)優(yōu)化問(wèn)題最行之有效的方法,常用的高性能多目標(biāo)進(jìn)化算法多用于求解目標(biāo)數(shù)較少的問(wèn)題。高維多目標(biāo)優(yōu)化問(wèn)題(Many-objective Optimization Problems),即目標(biāo)數(shù)多于5個(gè)的問(wèn)題的研究則是多目標(biāo)優(yōu)化領(lǐng)域一個(gè)研究熱點(diǎn)。本論文旨在探索和設(shè)計(jì)具有較高搜索能力和搜索效率的高維多目標(biāo)優(yōu)化問(wèn)題求解方法及其應(yīng)用。論文的主要研究工作及成果包括以下幾個(gè)方面:(1)針對(duì)高維多目標(biāo)進(jìn)化算法存在的計(jì)算復(fù)雜度高、計(jì)算效率低等缺點(diǎn),提出基于ε指標(biāo)的多目標(biāo)混合蛙跳算法。該算法以基于種群的單目標(biāo)混合蛙跳算法為進(jìn)化機(jī)制,采用以下三個(gè)關(guān)鍵技術(shù):(i)以ε指標(biāo)構(gòu)建適應(yīng)值分配方法,用于局部進(jìn)化和存檔器更新;(ii)提出基于幾何劃分的種群分割方法,將非支配個(gè)體按幾何位置聚類(lèi),被支配個(gè)體按近似度劃分;(iii)提出基于近鄰原則的動(dòng)態(tài)全局最優(yōu)個(gè)體選擇策略,加快算法收斂。該算法可應(yīng)用于目標(biāo)數(shù)為3-50的高維多目標(biāo)優(yōu)化問(wèn)題,求解效率高,收斂性好。(2)針對(duì)基于目標(biāo)降維的高維多目標(biāo)優(yōu)化問(wèn)題求解方法存在降維準(zhǔn)確性低、魯棒性差等缺點(diǎn),提出基于稀疏特征選擇的目標(biāo)降維算法。該算法以多目標(biāo)進(jìn)化算法求得的近似解集作為樣本數(shù)據(jù),利用其幾何結(jié)構(gòu)特性和Pareto占優(yōu)關(guān)系構(gòu)建稀疏回歸模型和稀疏投影矩陣,以此度量目標(biāo)的重要性并實(shí)現(xiàn)目標(biāo)降維,或降維至指定目標(biāo)數(shù),或?qū)ふ覞M足給定誤差閾值的最小目標(biāo)子集。(3)提出基于在線目標(biāo)降維的多目標(biāo)進(jìn)化算法,該算法結(jié)合(1)和(2)的成果,將高維多目標(biāo)優(yōu)化問(wèn)題通過(guò)降維轉(zhuǎn)化為小規(guī)模優(yōu)化問(wèn)題。論文分析了三種在線模式:(i)目標(biāo)數(shù)固定遞減;(ii)基于誤差閾值的目標(biāo)數(shù)自適應(yīng)遞減;(ii)依重要性指標(biāo)進(jìn)行目標(biāo)整合。結(jié)果表明,目標(biāo)整合在線模式的性能最佳。(4)以脈沖多普勒雷達(dá)波形設(shè)計(jì)為原型實(shí)例,研究以上方法有效性。該實(shí)例可建模為9個(gè)目標(biāo)的優(yōu)化問(wèn)題。應(yīng)用(1)中的基于ε指標(biāo)多目標(biāo)混合蛙跳算法,可獲得較為滿意的最優(yōu)解集;應(yīng)用(2)中的目標(biāo)偏好排序評(píng)估算法,可獲得與實(shí)際吻合的目標(biāo)重要性排序;應(yīng)用(3)中的在線目標(biāo)降維算法,可獲得優(yōu)于(1)的最優(yōu)解集。
【關(guān)鍵詞】：高維多目標(biāo)優(yōu)化問(wèn)題 多目標(biāo)進(jìn)化算法 混合蛙跳算法 目標(biāo)降維 特征選擇
【學(xué)位授予單位】：深圳大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP18
【目錄】：

• 摘要4-6
• Abstract6-11
• 第一章 緒論11-37
• 1.1 研究背景與意義11-13
• 1.2 多目標(biāo)優(yōu)化問(wèn)題及傳統(tǒng)求解方法13-16
• 1.2.1 多目標(biāo)優(yōu)化問(wèn)題數(shù)學(xué)模型及相關(guān)概念13-14
• 1.2.2 傳統(tǒng)多目標(biāo)優(yōu)化方法14-16
• 1.3 多目標(biāo)進(jìn)化算法及其研究現(xiàn)狀16-23
• 1.3.1 多目標(biāo)進(jìn)化算法16-18
• 1.3.2 多目標(biāo)進(jìn)化算法的研究現(xiàn)狀18-23
• 1.4 高維多目標(biāo)優(yōu)化問(wèn)題23-33
• 1.4.1 求解高維多目標(biāo)優(yōu)化問(wèn)題的難點(diǎn)23-25
• 1.4.2 高維多目標(biāo)進(jìn)化算法研究現(xiàn)狀25-30
• 1.4.3 高維多目標(biāo)優(yōu)化實(shí)例-脈沖多普勒雷達(dá)波形設(shè)計(jì)問(wèn)題2030-33
• 1.5 論文主要研究工作及內(nèi)容安排33-37
• 第二章 基于ε指標(biāo)的多目標(biāo)混合蛙跳算法37-78
• 2.1 引言37-38
• 2.2 基于指標(biāo)的適應(yīng)值分配方法38-45
• 2.2.1 基于指標(biāo)的適應(yīng)值分配39-41
• 2.2.2 典型的用于適應(yīng)值分配的指標(biāo)及性能比較41-45
• 2.3 混合蛙跳算法45-47
• 2.3.1 混合蛙跳算法模型45-47
• 2.3.2 混合蛙跳算法求解高維多目標(biāo)優(yōu)化問(wèn)題的優(yōu)勢(shì)47
• 2.4 基于ε指標(biāo)的多目標(biāo)混合蛙跳算法47-57
• 2.4.1 基于幾何劃分的種群分割48-52
• 2.4.2 基于ε指標(biāo)的存檔器更新策略52-54
• 2.4.3 基于ε指標(biāo)適應(yīng)值的局部最優(yōu)和最差個(gè)體的選擇54-55
• 2.4.4 基于近鄰原則的動(dòng)態(tài)全局最優(yōu)個(gè)體選擇策略55
• 2.4.5 基于Pareto占優(yōu)和ε指標(biāo)適應(yīng)值的新個(gè)體替換準(zhǔn)則.. 4555-56
• 2.4.6 基于非支配排序和ε指標(biāo)適應(yīng)值的進(jìn)化種群更新策略4656-57
• 2.5 實(shí)驗(yàn)仿真測(cè)試57-77
• 2.5.1 實(shí)驗(yàn)設(shè)置57-60
• 2.5.2 參數(shù)測(cè)試60-62
• 2.5.3 基于幾何劃分的種群分割方法性能測(cè)試62-65
• 2.5.4 求解標(biāo)準(zhǔn)測(cè)試問(wèn)題的性能測(cè)試65-74
• 2.5.5 求解雷達(dá)波形設(shè)計(jì)問(wèn)題的性能測(cè)試74-77
• 2.6 小結(jié)77-78
• 第三章 基于稀疏特征選擇的目標(biāo)降維算法78-102
• 3.1 引言78-79
• 3.2 目標(biāo)降維問(wèn)題和已有算法分析79-84
• 3.2.1 目標(biāo)的沖突性和相關(guān)性79-81
• 3.2.2 目標(biāo)降維問(wèn)題模型81
• 3.2.3 已有目標(biāo)降維算法分析81-84
• 3.3 稀疏特征選擇84-86
• 3.3.1 特征選擇方法84-85
• 3.3.2 稀疏特征選擇方法85-86
• 3.4 基于稀疏特征選擇的目標(biāo)降維算法86-91
• 3.4.1 構(gòu)建鄰接圖87-88
• 3.4.2 構(gòu)建稀疏回歸模型88
• 3.4.3 稀疏投影矩陣求解方法88-89
• 3.4.4 目標(biāo)重要性指標(biāo)89
• 3.4.5 求解 P1 問(wèn)題的目標(biāo)降維方法89-90
• 3.4.6 求解P2 問(wèn)題的目標(biāo)降維方法90-91
• 3.4.7 目標(biāo)偏好排序的評(píng)估方法91
• 3.5 實(shí)驗(yàn)結(jié)果與分析91-100
• 3.5.1 性能評(píng)估方法及實(shí)驗(yàn)設(shè)置91-92
• 3.5.2 參數(shù)測(cè)試92-95
• 3.5.3 SORA1 算法有效性測(cè)試95-98
• 3.5.4 SORA2 算法有效性測(cè)試98
• 3.5.5 SORA3 算法有效性測(cè)試98-100
• 3.6 小結(jié)100-102
• 第四章 基于在線目標(biāo)降維的高維多目標(biāo)優(yōu)化問(wèn)題求解方法102-115
• 4.1 引言102
• 4.2 在線目標(biāo)降維算法102-105
• 4.2.1 在線目標(biāo)降維算法模型102-104
• 4.2.2 設(shè)計(jì)在線目標(biāo)降維算法時(shí)的關(guān)鍵問(wèn)題104-105
• 4.3 基于ε-MOSFLA和SORA的在線目標(biāo)降維算法105-108
• 4.3.1 每次減少固定個(gè)數(shù)的在線目標(biāo)降維方法106
• 4.3.2 自適應(yīng)在線目標(biāo)降維方法106-107
• 4.3.3 基于目標(biāo)整合的在線目標(biāo)降維算法107-108
• 4.4 實(shí)驗(yàn)結(jié)果與分析108-114
• 4.4.1 實(shí)驗(yàn)設(shè)置108-109
• 4.4.2 參數(shù)測(cè)試109-111
• 4.4.3 算法性能測(cè)試111-113
• 4.4.4 運(yùn)行時(shí)間測(cè)試113-114
• 4.5 小結(jié)114-115
• 第五章 總結(jié)與展望115-119
• 5.1 全文內(nèi)容總結(jié)115-117
• 5.2 未來(lái)工作展望117-119
• 參考文獻(xiàn)119-133
• 致謝133-134
• 攻讀博士學(xué)位期間的研究成果134-

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前7條

1 段軍棋;何子述;韓春林;;高效的PD雷達(dá)多重頻模糊分辨算法[J];電子科技大學(xué)學(xué)報(bào);2008年04期

2 石光明;劉丹華;高大化;劉哲;林杰;王良君;;壓縮感知理論及其研究進(jìn)展[J];電子學(xué)報(bào);2009年05期

3 駱劍平;李霞;陳泯融;;混合蛙跳算法的Markov模型及其收斂性分析[J];電子學(xué)報(bào);2010年12期

4 葛建軍;張春城;;基于模擬退火算法的機(jī)載脈沖多普勒雷達(dá)中重復(fù)頻率選擇研究[J];電子與信息學(xué)報(bào);2008年03期

5 李根;李文輝;;基于混合蛙跳算法的長(zhǎng)時(shí)間跨度人臉識(shí)別[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年07期

6 公茂果;焦李成;楊咚咚;馬文萍;;進(jìn)化多目標(biāo)優(yōu)化算法研究[J];軟件學(xué)報(bào);2009年02期

7 戚玉濤;劉芳;常偉遠(yuǎn);馬曉亮;焦李成;;求解多目標(biāo)問(wèn)題的Memetic免疫優(yōu)化算法[J];軟件學(xué)報(bào);2013年07期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 戴小軍;對(duì)脈沖多普勒雷達(dá)干擾技術(shù)研究與實(shí)現(xiàn)[D];江蘇科技大學(xué);2013年

  本文關(guān)鍵詞：基于進(jìn)化算法的高維多目標(biāo)優(yōu)化問(wèn)題求解方法及應(yīng)用，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：268840