基于優(yōu)化問題的多目標(biāo)布谷鳥搜索算法畢業(yè)論文-資料下載頁(yè)
2024-08-28 18:11本頁(yè)面
【導(dǎo)讀】現(xiàn)在我們研究的優(yōu)化算法就是為了解決。算結(jié)果和函數(shù)值有可能會(huì)增加多目標(biāo)問題的特性。式算法開始顯示出自己在解決多目標(biāo)優(yōu)化問題中的優(yōu)越性?！脊萨B搜索算法。我們通過一系列的多目標(biāo)檢驗(yàn)函數(shù)對(duì)其的。中去，例如：光路設(shè)計(jì)、制動(dòng)器設(shè)計(jì)等。的主要特性和應(yīng)用做了相關(guān)的分析。問題往往都具有很高的非線性性。在實(shí)際中，不同的目標(biāo)之間往。往會(huì)有分歧和沖突，有時(shí)候，實(shí)際的最優(yōu)化解決方案往往不存在，而一些折中的和近似的方案往往也可以使用。學(xué)科交叉知識(shí)經(jīng)常被用于其中，用來作為解決問題的向?qū)А０切┒嘀氐?、平均?yōu)化的點(diǎn)，對(duì)于一個(gè)多目標(biāo)的優(yōu)化問題，度和解決方法的多樣性而有所變化甚至增加。和昆蟲的飛行行為有著典型的levy飛行的特征。90的轉(zhuǎn)角，成了一個(gè)間歇性的levy飛行模型，甚至。由levy分布所決定，一般是根據(jù)一個(gè)簡(jiǎn)單有效的式子來決定的，可以看出，這是levy飛行的一個(gè)特殊情況。
【正文】 他算法做了相關(guān)的對(duì)比，包括矢量估計(jì)遺傳算法 VEGA、矢量估計(jì)遺傳算 多目標(biāo)進(jìn)化差分算法 MODE、多目標(biāo)優(yōu)化進(jìn)化遺傳算法 DEMO、多目標(biāo)蜂群算法、強(qiáng) Pareto 算法。這些算法的性能總計(jì)如表 2： 4. 優(yōu)化設(shè)計(jì) 優(yōu)化設(shè)計(jì)，特別是設(shè)計(jì)結(jié)構(gòu)優(yōu)化，在工業(yè)和工程中有很多的應(yīng)用。在文獻(xiàn)中對(duì) 此的研究有很多不同的評(píng)價(jià)標(biāo)準(zhǔn)。其中包括對(duì)于梁的焊接標(biāo)準(zhǔn)和制動(dòng)器的設(shè)計(jì)。在本篇文章的最后，我們將運(yùn)用多目標(biāo)布谷鳥搜索算法對(duì)這兩種設(shè)計(jì)標(biāo)準(zhǔn)做以研究。 梁的焊接設(shè)計(jì) 關(guān)于梁的焊接設(shè)計(jì)是一個(gè)已經(jīng)被很多研究者解決的經(jīng)典設(shè)計(jì)問題。此問題中有 4個(gè)設(shè)計(jì)變量：寬（ w）、長(zhǎng)（ L）、深度（ d）、整個(gè)梁的厚度（ h）。我們的設(shè)計(jì)目標(biāo)是使得制造的成本和產(chǎn)品的傾斜度 ? 達(dá)到最小。 這個(gè)問題可以用數(shù)學(xué)語言來表示為： 具體過程： 我們對(duì)此 做的簡(jiǎn)單的限制為： ,10, ???? hwdL 通過使用 MOCS，我們對(duì)這一問題做出了解決。關(guān)于近似的Pareto front 問題我們?cè)趫D 8中根據(jù) 50種非限制性經(jīng)過 1000 次迭代對(duì)此問題作了相關(guān)的總結(jié)。 為了了解我們提出的 MOCS怎樣在實(shí)際的設(shè)計(jì)問題中使用，我們同樣將其運(yùn)用到其他的類似問題中，在圖 9中我們把繪制的圖像的指數(shù)收斂速度作了對(duì)比，通過對(duì)比，我發(fā)現(xiàn) MOCS 的收斂速度在指數(shù)收斂的算法中收斂速度最快。 制動(dòng)器設(shè)計(jì) 通過多目標(biāo)優(yōu)化 算法設(shè)計(jì)一個(gè)多用的制動(dòng)器需要另一個(gè)設(shè)計(jì)標(biāo)準(zhǔn)。我們的目標(biāo)是其質(zhì)量和制動(dòng)時(shí)間達(dá)到最小，其中的參數(shù)有內(nèi)直徑 r、外直徑 R、推力 F、表面摩擦力 S。這些都是在轉(zhuǎn)矩、壓力、溫度和制動(dòng)距離這些的限制下設(shè)計(jì)的，這個(gè)設(shè)計(jì)問題可以用式子表示為： Pareto front 問題 ,通過 MOCS 進(jìn)行 1000 此迭代之后選擇的50 個(gè)點(diǎn)如圖 10，我們可以看出它的曲線是光滑的，比之前的結(jié)果更優(yōu)。 圖 11 中繪制了關(guān)于指數(shù)收斂的收斂速度的比較圖，我們從這兩個(gè)圖中看出 MOCS 的收斂速度在兩種情況下都比較快，這也就再一次的說明了 MOCS 為我們 提供了一個(gè)更為有效的解決優(yōu)化設(shè)計(jì)問題的方法。 對(duì)于這三種基準(zhǔn)問題和測(cè)試函數(shù)的模擬表明， MOCS 確實(shí)是一種對(duì)于多目標(biāo)優(yōu)化問題而言非常有效的算法，它可以解決很多高度非線性的有許多復(fù)雜限制條件的問題。 5. 總結(jié) 我們知道，基于多目標(biāo)的優(yōu)化問題本身是很難得以解決的，在本篇文章中，我們成功的對(duì)此問題建立了一個(gè)新的算法，稱之為多目標(biāo)布谷鳥搜索算法。我們提出的這個(gè) MOCS 已經(jīng)通過一系列測(cè)試函數(shù)對(duì)其有效性和準(zhǔn)確性做了相關(guān)的測(cè)試研究，并且將此算法運(yùn)用到了很多工程結(jié)構(gòu)問題當(dāng)中，結(jié)果表明 ，此算法是一個(gè)行之有效的算法。 在與其他算法的比較中，布谷鳥搜索算法在很多測(cè)試中都有著較好的表現(xiàn)，這要?dú)w結(jié)于布谷鳥算法將其他優(yōu)秀算法的結(jié)合能力上。例如， levy飛行、精英策略、變量變換、交叉變異。此外不是特別優(yōu)秀的算法往往會(huì)被好的算法所取代，因此所有這些算法之間的平衡與巧妙結(jié)合的機(jī)制也非常重要，顯然，通過一系列測(cè)試函數(shù)確認(rèn)的算法將會(huì)有一個(gè)很好的發(fā)展前景。 被提出的其他的測(cè)試函數(shù)和比較規(guī)則也是非常必要的，在我們未來的工作中，我們將會(huì)關(guān)注一系列測(cè)試問題中的參數(shù)研究，包括非連續(xù)的和混合的優(yōu)化問題，我們將努力測(cè)試出 Pareto front 問題的多樣性，以提高算法不同的適應(yīng)性，其實(shí)更好的適應(yīng)于更多不同的問題。有很多有效的科學(xué)技術(shù)可以使得 Pareto front 問題更具多樣性，而一些技術(shù)之間的相互結(jié)合可以很好地提高M(jìn)OCS的有效性。 以后我們更進(jìn)一步的研究就會(huì)更在意多目標(biāo)優(yōu)化問題的算法與其他主流方法的不同，另外，這也會(huì)使得其他的算法可以由更加令人滿意的效果。
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1