论文摘要
在现实的真实世界中有很多问题都是基于多目标的。多目标优化是近年来迅速发展起来的一门新兴学科。 进化算法（Evolutionary Algorithm:EA）作为优化算法来解决复杂的多目标优化问题具有一定的优势。Schaffer在二十世纪80年代中期提出了VEGA,它是使用进化算法来解决多目标优化问题的第一次实现。现在的进化多日标算法大致可以被分为三类:（1）聚合法:这种方法是将多个目标聚合成一个目标函数来进行优化。（2）基于群体的非Pareto法,如VEGA:（3）基于Pareto的方法,如SPEA（Strength Pareto Evolutionary Algorithms）,它是最好的进化多目标优化算法之一。 根据对GA存在问题的思考以及对人类思维进步的分析,模仿人类社会中存在的趋同和异化现象,思维进化计算（MEC）。经过几年来的理论和实验研究,目前思维进化计算在理论上已经有了很大的发展,同时也广泛应用于一些实际问题,所有这些工作已经为MEC建立了一个初步完整的体系。 本文提出一种多目标优化算法SP-MEC。它将Pareto理论和某利得分机制引入到基本MEC中来解决多目标优化问题的。 SP-MEC的基本思想是:（1）首先在整个解空间散布一些个体,根据它们的得分选择一些最好个体作为子群体的初始中心,该得分反映个体问的统治关系和密度信息。（2）每个子群体从这些初始中心出发,仅搜索一个局部区域来逐渐地向Pareto前沿漂移。（3）在漂移的过程中,算法会调整各子群体的搜索范围和前进方向。上述（1）和（3）称为异化操作,（2）称为趋同操作。
论文目录
摘要ABSTRACT目录第一章 引言第二章 多目标优化2.1 基本概念2.1.1 多目标优化2.1.2 可行解2.1.3 目标向量之间的三种关系2.1.4 Pareto统治关系（Pareto Dominance）2.1.5 Pareto最优（Pareto Optimality）2.1.6 不被统治集和前沿（Nondominated Sets and Fronts）2.1.7 局部 Pareto最优集（Local Pareto-optimal Set）2.1.8 全局 Pareto最优集（Global Pareto-optimal Set）2.2 多目标优化算法2.2.1 加权法2.2.2 约束法（constraint method）2.2.3 目标规划2.2.4 进化多目标优化第三章 使用进化算法进行多目标优化3.1 进化算法简介3.1.1 进化算法框架3.1.2 使用进化算法（EA）进行多目标优化的合理性3.2 现有的进化多目标优化技术3.2.1 聚合法3.2.2 基于群体的非 Pareto法3.2.3 基于 Pareto的方法3.3 测试函数第四章 多目标优化算法的性能评价4.4.1 一元质量测度（unary quality measure）4.4.2 二元质量测度（binary quality measure）第五章 思维进化计算5.1 思维进化计算的基本内容5.1.1 MEC的基本理论5.1.2 MEC中的趋同和异化操作5.1.3 MEC的三个基本机制5.2 MEC的主要研究成果5.2.1 MEC的理论证明5.2.2 将 MEC应用于几类测试问题5.2.3 MEC在实际问题中的应用第六章 SP-MEC算法6.1 Pareto-MEC6.2 SP-MEC6.2.1 SP-MEC的基本原理6.2.2 测试函数6.2.3 比较实验6.3 SP-MEC和 Pareto-MEC的比较实验6.4 算法性能的评价6.4.1 使用 Cover进行评价6.4.2 使用 Spacing进行评价6.4.3 收敛速度6.5 小结6.6 工作中的几点说明第七章 结论参考文献附录附录1 多目标优化相关术语的英汉对照表附录2 MEC术语表附录3 MEC伪码简单版本致谢在学期间发表的论文
相关论文文献
标签：进化算法论文; 多目标优化论文; 思维进化计算论文; 最优前沿论文;
