2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩140頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、現(xiàn)實世界中的許多優(yōu)化問題通??梢赞D(zhuǎn)化為多目標優(yōu)化問題。所謂的多目標優(yōu)化問題是指那些需要同時優(yōu)化多個相互作用且相互沖突的目標函數(shù)的優(yōu)化問題。目前,采用進化算法求解多目標優(yōu)化問題已經(jīng)成為了多目標優(yōu)化領(lǐng)域中的研究熱點。許多研究學者相繼提出了一些進化多目標優(yōu)化算法用于求解各種類型的多目標優(yōu)化問題,一些優(yōu)秀算法已經(jīng)成功地應用在實際工程項目中。本文在全面介紹進化多目標優(yōu)化算法的理論知識以及研究現(xiàn)狀的基礎上,主要針對不同特征的多目標優(yōu)化問題設計出效果

2、顯著的求解策略。本論文的主要研究工作如下:
  (1)針對具有簡單幾何形狀Pareto最優(yōu)解集的多目標優(yōu)化問題,分析多目標差分進化算法在處理該類多目標優(yōu)化問題的不足之處,如過快收斂以及容易陷入局部最優(yōu),提出基于模擬退火機制的多目標差分進化算法(Multi-ObjectiveDifferential Evolution with Simulated Annealing,簡稱MODESA)。該算法引入模擬退火機制以及基于生命值概念的優(yōu)

3、先策略來保留一些潛力個體使其優(yōu)先進入下一代進化中,從而提高算法所求最優(yōu)解集的收斂性和分布性。此外,算法還采用一種基于鄰近距離的動態(tài)修剪算法作為分布度維持策略。本文將所提算法MODESA用于求解五個雙目標函數(shù)以及兩個三目標函數(shù)的多目標優(yōu)化問題,并與其他三個算法進行對比分析,實驗結(jié)果表明:改進后的多目標差分進化算法MODESA能適當?shù)靥岣咚惴ǖ氖諗啃院头植夹浴?br>  (2)針對具有復雜幾何形狀Pareto最優(yōu)解集的多目標優(yōu)化問題,提出一

4、種全新的基于非支配排序和局部搜索的進化多目標優(yōu)化算法(Non-dominatedSorting and Local Search based algorithm,簡稱NSLS)。該算法是基于迭代的:在每一次迭代中,給定一個進化種群P,采用基于差分算子的雙方向局部搜索策略產(chǎn)生一個更好的進化種群P',接著在合并種群P∪P'上執(zhí)行非支配排序獲取下一代進化種群。這種通過以局部搜索為主的搜索策略使算法可以很好地逼近Pareto最優(yōu)前沿。此外,受采

5、樣理論中的最優(yōu)候選點算法啟發(fā),提出最遠候選點算法作為分布度維持策略,使得算法所獲最優(yōu)解集在目標空間上能夠沿著Pareto最優(yōu)前沿均勻分布。本文將算法NSLS同其他四個代表性經(jīng)典算法進行了實驗對比分析,結(jié)果表明:在求解具有復雜幾何形狀的Pareto最優(yōu)解集的多目標優(yōu)化問題上,NSLS算法具有更好的收斂性和分布性。
  (3)針對具有較多局部Pareto最優(yōu)前沿以及Pareto最優(yōu)前沿屬于非連續(xù)或分布不均勻的多目標優(yōu)化問題,本文提出劣

6、值表概念和基于劣值表的搜索策略,并將其集成到第四章所提出的算法NSLS中,構(gòu)成算法NSLS-BTM(NSLS withBad Table Mechanism)。該算法將進化過程中產(chǎn)生的劣解通過劣值表這一存儲結(jié)構(gòu)進行記憶保存。當無法獲得更優(yōu)秀的個體時,算法利用這些劣解開辟新的搜索領(lǐng)域,最終使得算法所求最優(yōu)解集在目標空間上能夠更逼近Pareto最優(yōu)前沿。實驗結(jié)果與分析表明:該方法可以有效地開辟新的搜索區(qū)域,從而在整體上提高算法所求最優(yōu)解集的

7、收斂性和分布性。
  (4)針對高維多目標優(yōu)化問題的求解難點,在多目標進化算法中分別引入基于優(yōu)勝關(guān)系的替換策略以及基于目標值比例和的修剪策略,提出一種適用于求解高維多目標優(yōu)化問題的進化多目標優(yōu)化算法(稱為m-NSLS)。首先,采用基于優(yōu)勝關(guān)系的替換策略可以更好地指導算法進行替換判定,提高替換準確性,從而提高收斂性能。其次,基于非支配排序的進化多目標優(yōu)化算法在求解高維多目標優(yōu)化問題時,最后一層邊界集在進化后期的非支配解數(shù)量急劇增加,

8、本文通過預先采用基于目標值比例和的修剪策略,可以有效減少非支配解集的個體數(shù)目,從而提高分布度維持策略的效率。實驗結(jié)果與分析表明:所提出的算法與當前優(yōu)秀的高維多目標進化算法相比,具有良好的競爭能力。
  (5)針對證券投資組合優(yōu)化問題,采用一種修正的基于非支配排序和局部搜索的進化多目標優(yōu)化算法(稱為e-NSLS)來處理該類問題。通過求解不同參數(shù)設置下的五組Benchmark測試數(shù)據(jù),實驗結(jié)果表明:e-NSLS能夠比其他三個算法獲得更

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論