資源描述：
《基于分解的自適應(yīng)多目標進化算法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、分類號TP391學(xué)校代碼10590UDC004密級公開深圳大學(xué)碩士學(xué)位論文基于分解的自適應(yīng)多目標進化算法研究學(xué)位申請人姓名劉治望專業(yè)名稱計算機科學(xué)與技術(shù)學(xué)院（系、所）計算機與軟件學(xué)院指導(dǎo)教師姓名閆巧教授、林秋鎮(zhèn)博士深圳大學(xué)學(xué)位論文原創(chuàng)性聲明和使用授權(quán)說明原創(chuàng)性聲明本人鄭重聲明：所呈交的學(xué)位論文基于分解的自適應(yīng)多目標進化算法研究是本人在導(dǎo)師的指導(dǎo)下，獨立進行研究工作所取得的成果。除文中已經(jīng)注明引用的內(nèi)容外，本論文不含任何其他個人或集體已經(jīng)發(fā)表或撰寫的作品或成果。對本文的研究做出重要貢獻的個人和集體，均已在文中以明確方式標明。本聲明的
2、法律后果由本人承擔(dān)。論文作者簽名：日期：年月日基于分解的自適應(yīng)多目標進化算法研究摘要在科學(xué)研究和工程實踐中存在著許多多目標優(yōu)化問題，通常來說這些目標彼此相互沖突，求解多目標優(yōu)化問題就是尋找各目標在不同權(quán)重分配下的最優(yōu)解。傳統(tǒng)的優(yōu)化算法通常將多目標優(yōu)化問題分解成多個單目標優(yōu)化子問題，然后逐一求解各個子問題。這樣的求解方式效率較低，主要是因為算法每次運行都只能得到一個解，而且各個單目標子問題都是被獨立的解決。為了更有效的解決多目標優(yōu)化問題，受自然界生物進化和適者生存理論的啟發(fā)，進化算法應(yīng)運而生并已經(jīng)展現(xiàn)出巨大的潛力來解決多目標優(yōu)化問題
3、?；诜纸獾亩嗄繕诉M化算法(MOEA/D)是其中一個杰出的代表，它的核心思想是用一組均勻的權(quán)重向量將一個多目標優(yōu)化問題分解為一組單目標優(yōu)化子問題，然后利用進化的思想同時求解這一組子問題，而且子問題與子問題之間能相互傳遞信息。所以，算法每次運行能得到一組解，優(yōu)化效率得到顯著提升。然而和其它多目標進化算法一樣，MOEA/D也存在對變異、交叉算子敏感，收斂速度慢，解分布不均勻等缺陷。所以，為了進一步提升其優(yōu)化效率，近年來，MOEA/D受到越來越多的研究人員的密切關(guān)注。本文主要從MOEA/D對變異算子敏感的角度出發(fā)，以提高MOEA/D的通
4、用性、高效性和魯棒性為主要目標，通過深入研究MOEA/D算法及其已有的改進算法，提出了2種改進的MOEA/D算法，主要工作如下：(1)?提出了一種自適應(yīng)組合操作池選擇策略和變量自適應(yīng)控制的進化算法（MOEA/D-CDE），該算法主要設(shè)計了一種混合差分變異操作池的概念，并對多個操作池的選擇策略設(shè)計了一種自適應(yīng)選擇方法，然后對所有操作的變量進行了自適應(yīng)控制，該算法在解決復(fù)雜的多目標優(yōu)化問題（UF和WFG）具有非常明顯的效果。(2)?設(shè)計了一種基于基因?qū)用娴淖赃m應(yīng)混合操作選擇策略的進化算法（MOEA/D-GDE）。該算法主要針對種群中個
5、體的每一維度進行了深入進化，對每個個體的每一維度使用混合操作池的自適應(yīng)選擇策略進行優(yōu)化，這樣在很大程度上增加了種群的多樣性和收斂性，因此，進一步提升了基于分解的進化算法在解決復(fù)雜的多目標優(yōu)化問題的性能。關(guān)鍵詞：進化算法；分解；自適應(yīng)操作選擇；差分進化；基因操作ⅠThe?Research?on?Adaptive?Multi-objective?Evolutionary?Algorithm?based?on?DecompositionAbstractThere?are?many?multi-objective?optimization
6、?problems?in?scientific?research?and?engineering?practice.Usually,these?objectives?conflict?with?each?otherand?the?solving?of?multi-objective?optimization?problem?is?to?find?the?optimal?solution?under?different?weightsin?each?objective.?Traditional?optimization?algori
7、thms?usually?decompose?a?multi-objective?optimization?problem?into?a?setofsingleoptimization?sub-problems,?and?then?solve?the?sub-problemsone?by?one.However,?this?traditional?method?has?the?low?efficiency,?mainly?because?the?algorithmonly?getsone?solution?fromeach?run
8、?and?each?sub-problem?issolved?independently.?In?order?to?effectivelysolve?multi-objective?optimization?problems,?evolutiona
