外文翻譯--魯棒優(yōu)化設計的多目標遺傳算法(中文版)-其他專業(yè)-資料下載頁
2025-01-19 00:34本頁面
【導讀】現實世界中的多目標工程的優(yōu)化設計問題往往存在著不可控制的參數變化?？梢员环Q為魯棒最優(yōu)解決方案。為了調查研究最優(yōu)方案的性能和魯棒性之間的權。礎的參數靈敏度估計的方法，是一種在數量上評估設計方案魯棒性的措施。為了能夠更好的說明它的應用，多目標遺傳算法可以應用于來自文獻中的兩。要，這往往在有界可行域或者在最優(yōu)解的邊界所處的可行的領域范圍內。和方差,以最大限度降低解決方案的靈敏度。(如帕金森疾病學組，可進行可行性。同時，金和森得霍夫提出了一個進化性的的。計的問題中，事先獲得這樣的信息是很困難。性規(guī)定的約束，這往往由決策者規(guī)定的。性能和魯棒性的權衡關系，是基于多目標的遺傳算法?；瘑栴}的目標函數和約束的價值。2）最佳解決方法的魯棒性的度量，魯棒性指。f是目標函數，?p0的周圍的目標函數中形成的，這代表著最大的可接受的性能變化，并被DM所選擇，看圖表一的具體表示。我們將在第三部分進一步的討論它。對應的敏感性區(qū)域，
【正文】 設計的變化量中的已知的變量以這樣的形式來設定， ?x1=?x2= 并且 ?y=，這可接受的性能變化量 ?f01 和 ?f02 這兩個以 來設定的。 圖 7所示的是 pareto最優(yōu)解決方案和所有其他的通過解決問題獲得的方案，可以看出適應度值的所有解決方案都有最好的解適應度值，比如它有一個魯棒指數η大于 1的數，在另一方面我們可以看到一個有較小適應度數值的解決方案，決策者有可能不會選著來自 pareto 最優(yōu)解決方案，因為這些解決方案可能是更加的有魯棒性而不是必要性。 圖 8通過比較 6中所示的和對于目標函數來說的定位的多目標遺傳算法獲得的 pareto 最優(yōu)解決方案，并且這些解決方案可以通過傳統(tǒng)的遺傳算法獲得，但是這些遺傳算法并不考慮魯棒性，我們觀察到通過 RMOGA 獲得的 pareto 最優(yōu)解決方案與最初的相差甚遠，正如預料的那樣，這倒是我們得出結論，通過多目標遺傳算法得來的名義 pareto 方案并不是那么的有魯棒性。 圖 9 比較了魯棒性指數和使用不同的距離矩陣獲得的 f 值，正如 9所示的，在關于魯棒性指數的解決 方案中存在著一些的重復。 圖 10 比較了名義的 pareto 最優(yōu)解決方案和通過使用 L1 標準距離矩陣的RMOGA 所獲得的所有的魯棒性的設計，大多數的魯棒性設計和最初的解決方案差之甚遠，這些原始的解決方案屬于名義的 pareto，它的前面并不是最有魯棒性的，最后注意到，并沒有魯棒性的解決方案可以獲得的。 從對于這個例子的模擬結果來看，我們可以得出結論的是計算出來的魯棒性指數在很多程度上取決于所用的距離矩陣，這也在說明，使用 RMOGA 獲得的設計解決方案的魯棒性在很大程度上取決于所用來計算魯棒性指數的距離矩陣的種 類。 本篇論文展示了確定性的魯棒性多目標遺傳算法，這多目標的遺傳算法提供了一套的解決方案，這些方案對于性能和魯棒性來說是 pareto 最優(yōu)解，適應度數值解釋了原始問題的目標函數和約束函數的問題，這魯棒性指數也解釋了在目標函數和約束函數中的變量，這展示了在性能和設計解決方案中的折中，多目標遺傳 算法使用了一個內外的優(yōu)化結構來解決了整個問題，并且內外的優(yōu)化的子問題可以使用雙重的遺傳算法來得以解決， 任何多目標遺傳算法可以使用我們這個方法，這個方法并不要求一個假象的無法控制的參數的概率分布，也不需要使用這些 參數的梯度信息，這三個不同的歐幾里得的距離矩陣在連接多目標遺傳算法中可以被使用來計算魯棒性指數。 這個方法應用到兩個工程測試 的 問題上，魯棒性的多目標遺傳算法的結果與名義的 pareto 解決方法進行了比較，通過多目標遺傳算法的魯棒性設計解決方案在很大程度上在性能上比 標稱的 pareto 方案要差點，但是同時，它們兩個對于在設計參數的變化方面是不敏感的，在兩個測試問題中，可以發(fā)現，關于目標函數和約束函數的性能，最好的設計解決方案并不是最具有魯棒性的，魯棒性的多目標遺傳算法可以用來弱化設計方案和魯棒性性能的權衡的問題， 因此可以在選擇具有魯棒性的最好的解決方案中幫助 DM，基于模擬的結果，我們可以得出結論，設計的魯棒性在很大程度上取決于所用來計算魯棒性指數的距離矩陣的類別。 這篇論文所展示的內容一部分上得到了 印第安頭領師 的幫助，美國海軍研究辦公室給與了這個組織資金上的幫助，這個工作部分上也得到了美國科學基金會的幫助和支持， 在本文所表達的關于基金會方面，他們的 支持并不能完全的 體現來自他們的幫助和支持。
教學課件相關推薦
鄂ICP備17016276號-1