论文题目: 基于演化算法的多目标优化方法及其应用研究
论文类型: 博士论文
论文专业: 计算机应用技术
作者: 汪祖柱
导师: 程家兴
关键词: 多目标优化问题,演化算法,多目标演化算法,混合演化算法
文献来源: 安徽大学
发表年度: 2005
论文摘要: 现实中遇到的许多问题往往表现为由多个、可能相互冲突的目标构成的多目标优化问题。多年来多目标优化问题尽管已有许多求解方法,然而最近十几年来演化算法己逐渐发展成为解决多目标优化问题的理想方法,特别为求解大规模复杂的多目标优化问题提供了有效的研究方法,因而多目标优化问题也已经成为演化算法领域的研究热点。正因为如此,多目标优化在现实世界中正得到广泛应用:在经济学和管理中,用于求解证券投资、通货膨胀和经济增长模型中的多目标决策、运输投资等问题;在工程设计中可用于多目标选址问题、多目标指派问题、多目标设计问题、交通问题等;在网络与通讯中主要应用于网络的拓结构设计组播路由(multi-cast)和Geo-cast等问题中。随着研究和应用的深入,实际求解问题的复杂性对算法的各种性能等技术发展提出了新的挑战。因此,如何进一步提高演化算法性能,以及在多目标优化领域,如何将有关的搜索策略和多目标优化技巧进行有效的结合从而最终提高问题的求解质量,将是本文研究的关键问题,所有这些研究也将拓展演化算法及其在多目标优化领域的应用研究。本文的主要工作包括: (1)遗传算法中的种群多样性对遗传算法的收敛等性能具有重要的影响作用,本文具体分析了遗传算法的演化性能特征、遗传算法的多样性问题,以及影响遗传算法性能的一些主要因素。在此基础上分析了基于混合优化策略的演化算法,这将是改善算法性能的一个重要途径,并分析了从整体上提高算法性能的可行性及其有效机制。基于此,以一类车辆路径调度问题(VRP,vehicle routing problems)为问题背景,结合2-opt局部优化算法提出了GA with 2-opt算法来求解VRP问题,讨论了以遗传算法求解VRP问题的染色体表示和有关遗传操作,并给出了算例分析。 (2)为致力于多目标演化算法的求解目标,本文分析了多目标演化算法设计中所要解决的主要各种策略应用问题:适应度赋值方法、选择操作和遗传操作的设计。基于多目标混合演化算法的形成机制及其一般结构,提出了一种改善收敛性能的混合多目标演化算法,将传统的局部搜索方法应用于MOEA,即基于Hooke
论文目录:
摘要
Abstract
目录
第一章 绪论
1.1 多目标优化的基本概念
1.2 传统的多目标优化方法
1.2.1 加权法
1.2.2 约束法
1.2.3 目标规划法
1.2.4 目标满意法
1.3 传统优化方法的局限性
1.4 本文研究的目的与内容
第二章 演化算法
2.1 优化方法概述
2.2 演化算法
2.2.1 演化算法的概念、特点和一般框架
2.2.2 遗传算法
2.2.3 遗传算法的性能特征
2.2.4 遗传算法的多样性问题
2.2.5 影响遗传算法性能的因素
2.2.6 遗传算法进化过程的一般分析
2.3 基于混合优化策略的演化算法
2.4 求解车辆路径问题的混合遗传算法
2.4.1 VRP问题的背景及其数学模型
2.4.2 CVRP问题的混合遗传算法
2.4.3 实验结果及分析
2.5 小结
第三章 基于多目标优化的演化算法及其策略分析
3.1 基于演化算法的多目标优化
3.2 多目标演化算法概述
3.3 典型MOEAs的策略分析
3.3.1 MOEAs的适应度赋值方法
3.3.2 群体多样性维护
3.3.3 选择算子
3.3.4 精英策略的运用
3.4 混合多目标演化算法(HMOEAs)
3.4.1 HMOEAs的结构
3.4.2 基于Hooke and Jeeves局部搜索的MOEA—HJMOEA
3.4.3 局部搜索的评价方法—切比雪夫(Tchebycheff)范数法
3.4.4 算法HJMOEA
3.4.5 实验分析
3.5 小结
第四章 基于混合交叉策略的多目标演化算法及其性能分析
4.1 交叉算子的作用
4.1.1 Simulated Binary Crossover(SBX)
4.1.2 多个体参与交叉操作
4.2 算法MOEADC
4.2.1 个体适应度评价
4.2.2 选择机制
4.2.3 变异操作
4.3 算法(MOEADC)描述
4.4 算法(MOEADC)收敛性能分析
4.4.1 相关收敛性理论
4.4.2 算法收敛性分析
4.5 算法(MOEADC)的计算效率及其解集分布性能问题
4.5.1 算法的时间效率分析
4.5.2 算法MOEADC的解集分布性能
4.6 收敛性能度量
4.7 实验及其结果分析
4.7.1 实验一：解集的分布性能的比较
4.7.2 实验二：收敛性能与计算效率的分析
4.8 小结
第五章 多目标演化算法在工程优化和管理中的应用
5.1 引言
5.2 多目标优化的启示：一个机械设计例子
5.2.1 Pareto最优解的一些特征
5.3 算法MOEADC
5.4 基于MOEADC研究一类投资组合优化问题
5.4.1 相关问题陈述与模型
5.4.2 基于投资组合优化问题的群体的个体形式及可行化
5.4.3 算例分析
5.5 小结
第六章 结束语
6.1 总结
6.2 本文研究的主要内容与创新点
6.3 研究展望
参考文献
在读博士学位期间发表的论文
致谢
发布时间: 2005-09-20
参考文献
- [1].演化算法中基于分类的预选择策略研究[D]. 张晋媛.华东师范大学2018
- [2].差异演化算法及其应用研究[D]. 武志峰.北京交通大学2009
- [3].自适应差分演化算法及其应用研究[D]. 库俊华.中国地质大学2015
- [4].动态约束多目标演化算法的研究及在天线设计中的应用[D]. 李晰.中国地质大学2017
- [5].演化计算理论分析与学习算法的研究[D]. 俞扬.南京大学2011
- [6].基于种群自适应策略的差分演化算法及其应用研究[D]. 朱武.东华大学2013
- [7].相关性制导的高维目标演化优化研究[D]. 谢大同.武汉大学2013
- [8].演化算法渐近行为的若干问题研究[D]. 陈明.武汉大学2012
- [9].超多目标演化算法及其应用研究[D]. 李丙栋.中国科学技术大学2017
- [10].基于代理模型的实值演化算法研究[D]. 陆晓芬.中国科学技术大学2017