学位论文 > 优秀研究生学位论文题录展示

基于规则模型的多目标分布估计算法研究

作　者: 向健
导　师: 蔡自兴
学　校: 中南大学
专　业: 电子科学与技术
关键词: 多目标优化分布估计算法建模全局搜索能力
分类号: O221.6
类　型: 硕士论文
年　份: 2011年
下　载: 75次
引　用: 1次
阅　读: 论文下载

内容摘要

利用进化算法求解多目标优化问题是智能计算领域的重要研究课题。2009年,有关学者根据连续多目标优化问题Pareto解集结构特征,提出了一种基于规则模型的多目标分布估计算法(RM-MEDA)。RM-MEDA非常适合于求解具有变量相关的连续多目标优化问题。然而,RM-MEDA存在以下两个主要问题：1)在建立概率模型时,RM-MEDA没有充分发掘各种不同类型多目标优化问题的特征,这使得所建立的概率模型不够精确；2) RM-MEDA的全局搜索能力较弱,因而很难有效地处理多模目标函数。本文旨在克服RM-MEDA算法的上述两个主要缺陷展开研究,主要工作概括总结如下：针对RM-MEDA建模精确性问题,提出了RM-MEDA-RRCO算法。RM-MEDA采用基于局部主成分分析法的聚类操作建立PS的概率模型。实验结果表明,聚类数目的取值具有问题依赖性,而且对算法的性能具有显著影响。然而,在求解各种类型的多目标优化问题时,RM-MEDA均使用固定的聚类数目,显然具有不合理性。RM-MEDA-RRCO基本思路如下：在每一代迭代运行中,首先根据群体的聚类结果判断是否存在冗余聚类,接着删除冗余聚类以调整聚类数目。实验结果表明,所提出的算法在收敛性和分布性方面均显著优于RM-MEDA。针对全局搜索能力弱,提出了Global RM-MEDA。RM-MEDA利用群体的宏观分布信息建立概率模型,然而却忽略了个体的局部信息,这样RM-MEDA并没能有效地利用群体信息。此外,RM-MEDA利用高斯采样产生后代群体。值得注意的是,高斯采样是一种局部搜索算子,这使得RM-MEDA的全局搜索能力较弱。为了充分利用群体信息,进一步提高RM-MEDA的全局搜索性能,Global RM-MEDA是将具有较强全局搜索能力的差异进化算法与RM-MEDA结合起来,最后通过实验验证了它的有效性。

全文目录

摘要  4-5
ABSTRACT  5-9
第一章绪论  9-17
  1.1 多目标优化问题  9-10
  1.2 多目标优化算法  10-16
    1.2.1 多目标传统优化算法  10-11
    1.2.2 多目标进化优化算法  11-16
  1.3 本文的主要研究工作  16-17
第二章基于规则模型的多目标分布估计算法  17-27
  2.1 引言  17-18
  2.2 连续多目标优化问题的规则特征  18-19
  2.3 RM-MEDA的算法框架  19-25
    2.3.1 建模操作  20-23
    2.3.2 采样操作  23-24
    2.3.3 选择操作  24-25
  2.4 本章小结  25-27
第三章带删除冗余聚类算子的RM-MEDA  27-45
  3.1 引言  27-28
  3.2 带删除冗余聚类算子的RM-MEDA  28-33
    3.2.1 RM-MEDA建模精确性  28-31
    3.2.2 删除冗余聚类算子  31-33
    3.2.3 RM-MEDA-RRCO算法流程  33
  3.3 实验设计与结果  33-43
    3.3.1 测试函数  33-36
    3.3.2 性能评价标准  36-37
    3.3.3 实验结果与分析  37-43
  3.4 参数测试  43
  3.5 本章小结  43-45
第四章全局的基于规则模型多目标分布估计算法  45-55
  4.1 引言  45
  4.2 DE算法概述  45-48
    4.2.1 DE算法的研究现状  45-47
    4.2.2 DE与MOEAs的混合算法  47-48
  4.3 全局的RM-MEDA  48-50
    4.3.1 理论意义  48
    4.3.2 全局的RM-MEDA算法流程  48-50
  4.4 实验设计与结果  50-54
  4.5 本章小结  54-55
第五章总结与展望  55-57
  5.1 工作总结  55
  5.2 工作展望  55-57
参考文献  57-63
附录  63-64
致谢  64-65
攻读学位期间主要研究成果  65

基于规则模型的多目标分布估计算法研究

内容摘要

全文目录

相似论文