学位论文 > 优秀研究生学位论文题录展示

多目标优化Pareto支配性预测方法研究

作　者: 尹呈
导　师: 郭观七
学　校: 湘潭大学
专　业: 计算机科学与技术
关键词: 昂贵多目标优化 计算成本灾难 Pareto支配性预测 最近邻分类
分类号: TP301.6
类　型: 硕士论文
年　份: 2013年
下　载: 55次
引　用: 0次
阅　读: 论文下载
 

内容摘要


进化算法已成功地应用于多目标优化领域，但用该类算法解决昂贵多目标优化问题时，仅一次目标函数或约束函数的评估就需耗时数小时甚至数天（简称为计算成本灾难问题），所需计算开销和时间效率均难以接受。尽管采用基于代理模型的多目标进化算法能在一定程度上缓解计算成本灾难问题，但代理模型及逼近技术的选择需要较多先验知识，且每个目标函数都需要单独的模型，模型类型和参数精度会直接影响估计的准确性，建模对多目标优化问题（MOP）本身是一种挑战，代价高昂。本文研究应用模式识别技术解决计算成本灾难问题的Pareto支配性分类方法。提出了预测Pareto支配性的模式分类器基本架构，分类器通过学习样本候选解的Pareto支配性关系，预测目标向量值未知候选解的Pareto支配性。首先在假设类条件概率密度函数服从正态分布的前提下，初步实现了基于统计学习理论的贝叶斯分类器，为进一步探究Pareto支配性预测奠定了基础。为提高Pareto支配性预测准确性，通过分析MOP自身特点，对决策分量定义域存在数量级差异的优化问题，相继提出了基于二进制位串加权和及同维分量距离序号和相似性测度方法。仿真实验表明，与基于欧氏距离的相似性测度方法相比，二者均显著地提高了最近邻分类的精度，且对不同类型的多目标优化问题有较强的鲁棒性；对决策向量中存在等价分量的优化问题，在分析决策分量对各目标分量贡献率的基础上定义决策向量的等价子向量，等价子向量由贡献率相同的决策分量所组成，提出基于等价子向量的最小交叉距离加权和相似性测度方法。对典型多目标优化问题的Pareto支配性最近邻分类实验结果表明，该方法显著地提高分类准确性。为克服最近邻分类方法对Pareto支配性类比例分布不平衡问题预测精度不高的缺陷，本文通过定义L-Pareto支配性来改善类比例分布，在定性分析Pareto支配性与L-Pareto支配性预测错误率的基础上，实现了L-Pareto支配性预测方法。对几个经典多目标优化问题进行测试，仿真实验表明L-Pareto支配性预测具有一定可行性和有效性。

全文目录


摘要  4-5
Abstract  5-9
第一章 绪论  9-16
  1.1 多目标优化  9-12
    1.1.1 多目标优化的基本概念  9-10
    1.1.2 进化多目标优化  10-12
  1.2 昂贵多目标优化  12-14
  1.3 本文的研究内容  14-16
第二章 Pareto 支配性预测  16-21
  2.1 贝叶斯决策理论  16-17
  2.2 Pareto 支配性预测模型  17-18
  2.3 Pareto 支配性预测分类测试实验  18-19
  2.4 Pareto 支配性预测模型在 MOEAs 中的可用性测试  19-20
  2.5 小结  20-21
第三章 Pareto 支配性最近邻预测  21-32
  3.1 Pareto 支配性最近邻预测  21-22
    3.1.1 最近邻分类准则  21
    3.1.2 Pareto 支配性最近邻预测框架  21-22
  3.2 基于二进制位串加权和相似性测度的 Pareto 支配性预测  22-27
    3.2.1 二进制位串加权和相似测度  22-26
    3.2.2 基于二进制加权和的 Pareto 支配性预测实验  26-27
  3.3 基于同维分量距离序号和相似性测度的 Pareto 支配性预测  27-31
    3.3.1 同维分量距离序号和相似测度  27-28
    3.3.2 基于同维分量距离序号和的 Pareto 支配性预测实验及分析  28-31
  3.4 小结  31-32
第四章 基于等价分量交叉相似性的 Pareto 支配性预测  32-40
  4.1 基于等价分量交叉相似性的最近邻预测方法  32-34
    4.1.1 等价分量最小交叉距离加权和  32-34
    4.1.2 基于等价分量最小交叉距离加权和相似性度量的多目标最近邻搜索  34
  4.2 基于等价分量交叉相似性的 Pareto 支配性最近邻预测实验  34-38
  4.3 小结  38-40
第五章 L-Pareto 支配性预测  40-49
  5.1 L-Pareto 支配性预测  40-42
    5.1.1 L-Pareto 支配性定义  40-41
    5.1.2 L-Pareto 支配性预测错误率分析  41-42
    5.1.3 L-Pareto 支配性预测框架  42
  5.2 基于 L-Pareto 支配性预测的多目标优化  42-47
    5.2.1 基于 L-Pareto 支配性的非支配集构造方法  42-44
    5.2.2 基于 L-Pareto 支配性预测的精英个体选择质量测试  44-45
    5.2.3 L-Pareto 支配性预测模型与 MOEAs 的交互测试  45-47
  5.3 小结  47-49
第六章 总结与展望  49-51
参考文献  51-57
致谢  57-58
附录 A：作者在攻读硕士学位期间发表的论文  58-59
附录 B：作者在攻读硕士学位期间参与的科研项目  59

相似论文

  1. 基于半监督学习的工况识别方法研究及铜闪速熔炼过程中的应用,TF811
  2. 基于子空间的人脸识别算法研究,TP391.41
  3. 人脸识别技术研究,TP391.41
  4. 模式分类中数据选择方法的研究,TP391.4
  5. 基于近邻分类的实例选择算法研究,TP181
  6. 基于LPP算法的人脸识别技术研究,TP391.41
  7. 基于Hadoop平台的自适应局部超平面K近邻算法的研究,TP301.6
  8. 距离测度学习理论与应用研究,TP181
  9. 基于序列特征的蛋白质功能类预测方法研究,Q51
  10. 基于数据融合理论的轨道电路信号解调方法的研究,U284.2
  11. 基于k近邻分类匹配的虹膜识别方法及实现,TP391.4
  12. 双色红外成像制导自动目标识别与跟踪技术研究,TN216
  13. 基于近邻决策树的文件访问行为预测方法研究,TP333
  14. 基于最近邻和径向基函数网络的人脸识别研究,TP391.41
  15. 空间分布关联描述的多观测样本分类算法研究,TP391.41
  16. 基于专利文献的技术生命周期分析模式研究,G306
  17. 蛋白质序列特征提取及其在亚细胞定位中的应用,Q51
  18. 基于高分辨率遥感影像建筑物提取研究,P208
  19. 基于KNN的地基可见光云图分类方法研究,P412.15
  20. 基于稀疏编码的车型图像分类识别研究,TP391.41

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 一般性问题 > 理论、方法 > 算法理论
© 2012 www.xueweilunwen.com