面向多目标优化的群智能算法-研究

《面向多目标优化的群智能算法-研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、面向多目标优化的群钾能贸法研究附表索引表4．1本文算法与MOPSo的参数设置⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．30表4．2不同算法的解分布情况比较⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯32表4．3不同算法的覆盖指标C的比较⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．32表5．1口和∥取不同值时收敛代数统计⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯39表5．2实验参数设置⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．40表5．3两种算法的搜索效率比较⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯40表5．4三个算法运算l00次的收敛比率和运算时间⋯⋯⋯⋯⋯⋯⋯⋯43表5．5

2、算法参数设置⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．44表5．6种群大小为50的实验结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．45表5．7种群大小为20的实验结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．46表5．8ulysses22问题上的统计结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯46表6．1各算法找到的Pareto最优解⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．49表6．2各算法在覆盖指标C上的比较⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．49表6．3实验二的参数设置⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯5lVIII湖南大学学位论文原创

3、性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：劫】舷织日期：≯岬年s月辞日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权湖南大学可以将本学位论文的全部或部分内容编入有关数据库进行

4、检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于1、保密口，在j解密后适用本授权书。2、不保密团。(请在以上相应方框内打”／”)作者签名：导师签名：剖枷囊矽切日期：抄叼年日期：跏毋年岁月印日‘月4日硕上学位论文1．1研究背景与意义第1章绪论多目标优化问题起源于许多实际复杂系统的设计、建模和规划，几乎每个重要的现实生活中的决策问题都要在考虑不同约束中同时处理若干相互冲突的目标，这些问题大大增加了问题的复杂程度。传统的多目标优化方法是将各个子目标聚合成一个带正系数的单个目标函数，系数由决策者决定，或者由优化方法自

5、适应调整。为了获取近似的Pareto最优集，一些优化方法使用不同的系数来实施动态优化。常见的古典方法有加权法、约束法、数学规划法等等，但是这些方法在某些特殊条件下会表现出一定的局限性，包括：(1)一些古典方法如加权法在求解多目标优化问题时，对Pareto最优前端的形状比较敏感，不能很好的处理前端的凹部。(2)求解问题所需的与应用相关的启发式知识经常不能获得，导致无法正常实施优化。(3)古典方法共同存在的一个关键问题就是获得Pareto最优解集合必须运行多次优化过程，由于各次优化过程相互独立，往往得到的结果不一致，令决策者很难有效的决策，

6、而且要花费巨额时间。近年来研究的较多的进化算法(以遗传算法为主)的优点在于可以同时处理大规模的搜索空间，能够有效的克服古典方法的局限性。首先，它能同时处理一组解，每运行一次算法就能获得多个有效解；其次，进化算法对均衡面的形状和连续性不敏感，能很好地逼近非凸性或者不连续的均衡曲线和曲面。通常利用进化算法求解MOP的优化目的和希望达到的目标包括以下几点。(1)进化结果的非劣前端与Pareto前端的距离最短。(2)进化结果的分布性能好，通常希望其呈现均匀分布。(3)获得非劣前端的范围最大，即非劣解的目标空间覆盖每个子目标尽可能广阔的范围。另外

7、一方面，进化算法存在收敛速度慢和容易陷入局部最优的不足。普通的遗传算法在处理某些复杂问题时计算量过大，编码和解码问题较为复杂，对有些问题难以找到最优解。作为基于迭代的优化方法，群智能理论是一种全新的智能计算方法。事实上，群智能方法能够被用于解面向多}{标优化的群智能算法研究决大多数优化问题或者能够转化为优化求解的问题。现在其应用领域已扩展到多目标优化、数据分类、数据聚类、模式识别、电信QoS管理、生物系统建模、流程规划、信号处理、机器人控制、决策支持以及仿真和系统辫识等方面。作为群智能算法的优秀代表，粒子群优化算法(ParticleSw

8、armoptimizalion，PS0)作为随机搜索方法之一，通常情况下具有比普通进化算法更好的收敛效率、更少的CPU运算时间、可直接用实数编码、易于实现等一系列优点。随着进化算法在多目标优化领域研究中的深