資源描述：
《基于群體智能的超多目標(biāo)優(yōu)化算法研究》由會員上傳分享，免費(fèi)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)位論文基于群體智能的超多目標(biāo)優(yōu)化算法研究學(xué)位申請人姓名唐超宇專業(yè)名稱計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院（系、所）計(jì)算機(jī)與軟件學(xué)院指導(dǎo)教師姓名陳劍勇教授、林秋鎮(zhèn)講師深圳大學(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)位論文基于群體智能的超多目標(biāo)優(yōu)化算法研究是本人在導(dǎo)師的指導(dǎo)下，獨(dú)立進(jìn)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(gè)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(xiàn)的個(gè)人和集體，均已在文中以明確方式標(biāo)明。本聲明的法律后果由本人承擔(dān)。論文作者簽名
2、：日期：年月日摘要現(xiàn)實(shí)生活中，很多實(shí)際的問題都可以看作是優(yōu)化問題，而且這些實(shí)際的優(yōu)化問題一般會有兩個(gè)以上的相互矛盾，相互牽制的優(yōu)化目標(biāo)，并且這些目標(biāo)幾乎不能同時(shí)求解到最優(yōu)結(jié)果，因此，傳統(tǒng)的運(yùn)籌學(xué)方法已經(jīng)無法很好地解決這類優(yōu)化問題。然而模擬生物體行為以及生物學(xué)理論的進(jìn)化算法對于處理這類問題表現(xiàn)出了一定的優(yōu)越性，其中基于分解的多目標(biāo)優(yōu)化算法(MOEA/D)借鑒數(shù)學(xué)規(guī)劃求解技巧把復(fù)雜的多目標(biāo)優(yōu)化問題轉(zhuǎn)化為一系列的單目標(biāo)優(yōu)化問題進(jìn)行求解，開創(chuàng)了多目標(biāo)優(yōu)化領(lǐng)域的一個(gè)新穎快速的解決方法和思路。因此，MOEA/D得到了不同應(yīng)用領(lǐng)域研究學(xué)者的廣泛關(guān)注。此外，超多目標(biāo)優(yōu)化問題，近年
3、來得到了各個(gè)領(lǐng)域研究人員的關(guān)注，而粒子群優(yōu)化由于其概念簡單、容易實(shí)現(xiàn)、收斂速度快等特征能夠在一定程度上避免超多目標(biāo)優(yōu)化問題中存在的維度災(zāi)難問題。本文主要從優(yōu)化問題角度上對基于群體智能的超多目標(biāo)算法進(jìn)行相關(guān)研究。主要是針對MOEA/D算法和多目標(biāo)粒子群優(yōu)化算法進(jìn)行相關(guān)研究。提出了基于自適應(yīng)策略選擇機(jī)制的MOEA/D算法(AMOEA/D)和新穎的多目標(biāo)粒子群算法(NMPSO)分別用于處理多目標(biāo)優(yōu)化問題和超多目標(biāo)優(yōu)化問題。本文首先引出了基于群體智能的超多目標(biāo)算法的研究背景和優(yōu)化問題模型。接著分別對基于分解的多目標(biāo)算法和粒子群算法的現(xiàn)狀進(jìn)行分析，并基于兩類優(yōu)化問題對相應(yīng)的
4、兩類進(jìn)化算法進(jìn)行了改進(jìn)，提出了相應(yīng)的改進(jìn)算法。本文的主要工作如下：1）在處理多目標(biāo)問題時(shí)，本文對MOEA/D算法的框架進(jìn)行了改進(jìn)，提出了一個(gè)基于自適應(yīng)選擇機(jī)制的算法（AMOEA/D）。算法主要?jiǎng)?chuàng)新點(diǎn)在于提出了自適應(yīng)交叉算子選擇機(jī)制和自適應(yīng)參數(shù)控制機(jī)制，讓每一個(gè)算子都能發(fā)揮最大的搜索優(yōu)勢，提高廣度和深度搜索性能。另外，自適應(yīng)選擇機(jī)制結(jié)合基于經(jīng)濟(jì)學(xué)的穩(wěn)定的婚姻匹配原則，將子問題和解進(jìn)行匹配性優(yōu)化，能夠有效加強(qiáng)算法的多樣性。2）在處理超多目標(biāo)問題時(shí)，本文對基于粒子群和元啟發(fā)式方法的算法(SMPSO)進(jìn)行了優(yōu)化，提出了一個(gè)新的多目標(biāo)粒子群算法（NMPSO）。算法利用了平衡
5、的適應(yīng)度分配策略很好地解決了超多目標(biāo)優(yōu)化問題存在的維度災(zāi)難問題，算法的原理主要是對粒子進(jìn)行不同種類的劃分，將好的粒子自動(dòng)保存壞的粒子自動(dòng)刪除，處于中間狀態(tài)的粒子I進(jìn)行不同程度的懲罰，以達(dá)到整個(gè)種群的多樣性。因此實(shí)現(xiàn)比較容易，效果比較明顯。同時(shí)，結(jié)合進(jìn)化算子對存檔種群進(jìn)行擾動(dòng)，有效的保持了種群的多樣性，并且新的粒子速度更新策略加快了算法趨近真實(shí)端面的速度。關(guān)鍵詞：多目標(biāo)問題；超多目標(biāo)問題；基于分解的多目標(biāo)優(yōu)化算法；粒子群算法IIAbstractInthedailylife,thereexistalotofcomplexoptimizationproblems.Wha
6、t’smore,theseoptimizationproblemsalwaysconsistofmorethanoneoptimizationobjectives,whichcontradictandrestrictwitheachother.Asitisdifficulttoachieveanoptimumforalltheobjectivessimultaneously,theconventionaloperationalresearchmethodscannotsolvethemwell.Bysimulatingthebiologicalbehaviors,
7、evolutionaryalgorithmsinspiredfromthebiologicaltheoryhavetheadvantagesinsolvingtheseoptimizationproblems.Especially,decomposition-basedevolutionaryalgorithmdecomposesmultiobjectiveoptimizationproblemsintoasetofsingle-objectiveoptimizationproblemsusingthemathematicalprogrammingmethod,w
8、hichp
