發(fā)布時(shí)間：2024-06-01 03:34

　　基于分解的進(jìn)化多目標(biāo)優(yōu)化算法(MOEA/D)利用分而治之的思想在多目標(biāo)優(yōu)化問題上取得了良好的求解性能,但是它的性能一方面對(duì)分解方法的依賴性較強(qiáng),另一方面在高維多目標(biāo)優(yōu)化中也存在著一些不足。本文首先從分解方法的改進(jìn)上展開工作,其次在提升高維多目標(biāo)優(yōu)化問題的求解性能上做了進(jìn)一步探究,目的在于提升算法的收斂性、多樣性以及魯棒性。本文的主要研究成果和創(chuàng)新點(diǎn)如下:(1)針對(duì)逆轉(zhuǎn)的懲罰邊界交叉(IPBI)分解方法求解Pareto Front(PF)為上突形狀問題的性能缺陷,從理論上分析了缺陷出現(xiàn)的原因,并且提出了基于MOEA/D的改進(jìn)的魯棒IPBI分解方法(R-IPBI)。雖然IPBI相對(duì)基于理想點(diǎn)的分解方法有效的改善了MOEA/D求解多目標(biāo)優(yōu)化問題所得解的覆蓋性,但是它依然存在著一些不足:其一是MOEA/D-IPBI經(jīng)常不能求得PF上某些區(qū)域的解;其二是在求解某些問題時(shí)會(huì)保留PF之外的支配解。本文提出了自適應(yīng)參考點(diǎn)設(shè)置策略以及自適應(yīng)子問題替換策略解決了IPBI中的上述問題。實(shí)驗(yàn)表明R-IPBI不僅在測(cè)試函數(shù)上表現(xiàn)出了優(yōu)越的性能,而且在求解現(xiàn)實(shí)世界中的水庫(kù)防洪調(diào)度問題上也有明顯的優(yōu)勢(shì)。從實(shí)驗(yàn)結(jié)果可...

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語對(duì)照表
第一章 緒論
    1.1 引言
    1.2 進(jìn)化多目標(biāo)算法的發(fā)展和研究現(xiàn)狀
    1.3 基于分解的EMO算法研究現(xiàn)狀
    1.4 主要研究?jī)?nèi)容
    1.5 本文結(jié)構(gòu)安排
第二章 基于分解的進(jìn)化多目標(biāo)優(yōu)化算法框架
    2.1 多目標(biāo)優(yōu)化問題描述
        2.1.1 多目標(biāo)優(yōu)化問題的數(shù)學(xué)模型
        2.1.2 Pareto支配與Pareto最優(yōu)解
        2.1.3 Pareto最優(yōu)解集與Pareto最優(yōu)前沿
    2.2 MOEA/D算法框架
        2.2.1 MOEA/D算法簡(jiǎn)介
        2.2.2 常用分解方法
    2.3 進(jìn)化多目標(biāo)優(yōu)化算法性能指標(biāo)
    2.4 本章小結(jié)
第三章 改進(jìn)的魯棒IPBI分解方法
    3.1 IPBI分解方法分析
        3.1.1 IPBI和PBI分解方法對(duì)比
        3.1.2 IPBI分解方法的不足
    3.2 提升IPBI分解方法的魯棒性
        3.2.1 自適應(yīng)參考點(diǎn)設(shè)置策略
        3.2.2 自適應(yīng)子問題替換策略
        3.2.3 R-IPBI算法
    3.3 測(cè)試問題實(shí)驗(yàn)研究
        3.3.1 測(cè)試問題
        3.3.2 實(shí)驗(yàn)參數(shù)設(shè)置
        3.3.3 R-IPBI算法的有效性
        3.3.4 R-IPBI算法的魯棒性
        3.3.5 算法參數(shù)敏感性分析
    3.4 水庫(kù)防洪調(diào)度問題的實(shí)驗(yàn)研究
        3.4.1 水庫(kù)防洪調(diào)度模型
        3.4.2 實(shí)驗(yàn)參數(shù)設(shè)置
        3.4.3 R-IPBI算法優(yōu)越性分析
    3.5 本章小結(jié)
第四章 基于決策者偏好信息的分解方法
    4.1 基于偏好點(diǎn)的分解方法
        4.1.1 現(xiàn)存偏好算法分析
        4.1.2 基于偏好點(diǎn)的偏好模型
        4.1.3 基于偏好點(diǎn)的分解方法
    4.2 R-MOEA/D:基于偏好點(diǎn)分解方法的進(jìn)化多目標(biāo)優(yōu)化算法
    4.3 測(cè)試問題實(shí)驗(yàn)研究
        4.3.1 測(cè)試問題
        4.3.2 實(shí)驗(yàn)參數(shù)設(shè)置
        4.3.3 R-MOEA/D算法搜索行為分析
    4.4 與R-NSGA-II和R-MEAD2的比較
        4.4.1 在MOPs上的對(duì)比研究
        4.4.2 在Ma OPs上的對(duì)比研究
        4.4.3 R-MOEA/D的交互能力
    4.5 水庫(kù)防洪調(diào)度問題的實(shí)驗(yàn)研究
        4.5.1 實(shí)驗(yàn)參數(shù)設(shè)置
        4.5.2 與R-NSGA-II和R-MEAD2的比較
    4.6 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
作者簡(jiǎn)介



本文編號(hào)：3985501