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，更多相关内容在学术论文-天天文库。

1、硕上学化论文插图索引图1．1多目标优化的发展历程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．4图2．1PSo借助群居生物寻优原理图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．8图2．2粒子群算法流程图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯10图2．3蚁群路径搜索原理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯ll图3．1目标空间的Pareto最优解和最优前沿⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．18图3．2优化与决策的系统构成图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯l9图3．3从决策的观点对多目标优化方法分类⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯20

2、图4．1测试函数三上的Pareto最优解⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．33图4．2测试函数四上的Pareto最优解⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．33图4．3算法在测试函数五上比较⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯34图4．4算法在测试函数六上比较⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯34图5．1N．EPSo算法流程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．38图5．2N．EPSo与文献【48】中算法的迭代曲线比较⋯⋯⋯⋯⋯⋯⋯⋯⋯4l图5．3改进的算法流程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯43图

3、5．4三个算法运行l00次的迭代曲线图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯44图5．5种群大小为50的曲线图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．45图5．6种群大小为20的曲线图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．45图5．7新算法在ulysses22上迭代曲线图⋯⋯⋯⋯．．．⋯⋯⋯⋯⋯⋯⋯⋯⋯46图6．1求解多目标TSP的算法流程图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．48图6．2各算法求得的Pareto最优解分布情况⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．50图6．3城市数目为20的测试结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．5l图

4、6．4城市数目为30的测试结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．51图6．5城市数目为50的测试结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．52VII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⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯

5、⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．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⋯⋯⋯⋯⋯⋯⋯⋯⋯

6、⋯⋯⋯⋯⋯⋯⋯．．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

7、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

8、、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