基于群智能及博弈策略的多目标优化算法研究

论文摘要

多目标进化算法（MOEA）是模拟生物进化理论而产生的高性能、自组织、高鲁棒性的多目标优化问题求解方法。MOEA对Pareto前沿的形状不敏感,算法一次运行产生多个Pareto非支配解。正因为这些优点,MOEA已经成为解决多目标优化问题的主流方法。当前MOEA主要依靠非支配排序推动种群朝Pareto前沿进化,在算法的后期非支配排序的推力不足,使得算法的全局寻优能力较弱。本文旨在深入探索和研究多目标进化算法蕴含的优化原理和进化机制,并探索将贝叶斯博弈模型引入到多目标进化算法中,以提高多目标遗传算法的全局寻优能力。本文的主要研究工作包括以下几个方面：（1）讨论了群智能算法的优化原理和进化算法在解决多目标优化问题中的求解模型,介绍了博弈论的基础知识,并对多目标进化算法的收敛性和多样性进行了研究；（2）提出了一种基于贝叶斯博弈模型的多目标遗传算法。将每个待优化目标视为一个博弈参与者,通过多个参与者的博弈共同拉动种群朝Pareto前沿搜索,使得算法表现出更好的收敛性和多样性。本文从理论上分析了基于贝叶斯博弈模型的多目标遗传算法的收敛性,并对算法的性能进行了对比验证,仿真实验结果表明算法在收敛性和解得分布性上优于NSGA-Ⅱ算法。（3）针对网格调度的特点,本文提出了基于SBG-MOGA的网格调度求解模型。本文对网格调度问题做了详细描述,建立了多目标优化问题模型,设计了符合网格调度问题特点的编码方式、精英集合以及遗传操作。最后通过仿真实验,验证了算法的收敛性和可行性。

论文目录

• 摘要
• Abstract
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 研究背景与意义
• 1.2 国内外研究现状
• 1.3 主要研究内容与文章结构
• 1.3.1 主要研究内容
• 1.3.2 本文的工作安排
• 第2章 群智能算法与博弈论
• 2.1 引言
• 2.2 群体智能算法
• 2.2.1 遗传算法
• 2.2.2 粒子群算法
• 2.2.3 量子进化算法
• 2.3 博弈论概述
• 2.3.1 博弈论研究现状
• 2.3.2 博弈论相关概念
• 2.4 博弈论分类
• 2.4.1 完全信息静态博弈
• 2.4.2 完全信息动态博弈
• 2.4.3 不完全信息静态博弈
• 2.4.4 不完全信息动态博弈
• 2.5 小结
• 第3章 多目标优化
• 3.1 多目标优化问题概述
• 3.1.1 基本概念
• 3.1.2 经典多目标优化算法
• 3.2 多目标遗传算法
• 3.2.1 多目标遗传算法简述
• 3.2.2 重要多目标遗传算法
• 3.3 小结
• 第4章 基于贝叶斯博弈的多目标遗传算法
• 4.1 静态贝叶斯博弈
• 4.2 基于静态贝叶斯博弈的多目标遗传算法
• 4.2.1 博弈模型
• 4.2.2 算法的贝叶斯纳什均衡
• 4.2.3 算法描述
• 4.3 算法收敛性分析
• 4.4 实验分析
• 4.4.1 实验参数
• 4.4.2 测试函数
• 4.4.3 实验结果
• 4.5 小结
• 第5章 基于SBG-MOGA的网格调度问题求解
• 5.1 引言
• 5.2 经典网格调度算法
• 5.2.1 UDA算法
• 5.2.2 OLB算法
• 5.2.3 MCT算法
• 5.2.4 MIN-MIN算法
• 5.3 算法设计
• 5.3.1 问题描述
• 5.3.2 编码设计
• 5.3.3 博弈模型
• 5.3.4 精英集合
• 5.3.5 遗传操作
• 5.3.6 算法流程
• 5.4 仿真实验分析
• 5.4.1 实验参数设置
• 5.4.2 实验结果及分析
• 5.5 小结
• 结论
• 参考文献
• 致谢
• 附录A 攻读硕士学位期间发表的论文
• 附录B 攻读硕士学位期间参加的科研项目