基于優(yōu)化問題的多目標(biāo)布谷鳥搜索算法畢業(yè)論文(參考版)
2024-09-01 18:11本頁面
【正文】 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。 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。例如， levy飛行、精英策略、變量變換、交叉變異。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。 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。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)。 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)。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)。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。 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。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)。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。所有測(cè)試函數(shù)的測(cè)試結(jié)果我們?cè)诒?1做出了總結(jié)。我們也需要建立一個(gè)包含復(fù)雜的Pareto 函數(shù)，為了更為具體的說明本文的問題，我們測(cè)試了如下的五個(gè)函數(shù) : 在通過多目標(biāo)布谷鳥搜索算法整理了 200個(gè) Pareto 點(diǎn)后，我們可以對(duì) Pareto front 與 Pareto 作如圖 4的對(duì)比 : 我們可以定義距離或者兩個(gè)函數(shù)分布之間的誤差估計(jì)如下式子： ?? ????Nj tejtef PFPFPFPFE122 )( （ 24） 當(dāng) N 表示數(shù)值的點(diǎn)時(shí)，正確的集合可以由以下的循環(huán)來得出，如圖 5： 圖 5,表明參數(shù) fE 根據(jù)左邊循環(huán)與右邊對(duì)數(shù)關(guān)系的下降趨勢(shì)。 多目標(biāo)測(cè)試函數(shù) 我們對(duì)于多目標(biāo)優(yōu)化問題，有很多不同的測(cè)試函數(shù)，但是，我們?nèi)孕枰⒁粋€(gè)更為廣泛的函數(shù)使得 其可以包含 Pareto front分布和 Pareto 優(yōu)化問題。 3. 數(shù)值結(jié)果 參數(shù)研究 現(xiàn)在被提及的多目標(biāo)布谷鳥搜索是用 Matlab 來實(shí)現(xiàn)的，其計(jì)算時(shí)間在一到兩分鐘之內(nèi)，我們已經(jīng)通過一系列變化的參數(shù)對(duì)其進(jìn)行了測(cè)試，例如 :種群規(guī)模 n、 levy 飛行參數(shù) ? 、發(fā)現(xiàn)幾率 ap 。 另外，最差巢穴會(huì)以比率 ap 被遺棄，所以新的巢穴可以通過隨機(jī)的游走和混合來被重新建立，被混合的蛋可以通過一些數(shù)字序列與寄主的蛋之間的相似性和區(qū)別來給出。為了使不同的解決策略可以有很好的適應(yīng)性，我們也可以使用如下式子： )( )()(0 titj xx ???? （ 12） 這里的 0? 為一個(gè)常數(shù)，當(dāng)兩個(gè)不同的隨機(jī)解決策略在一個(gè)時(shí)期內(nèi)相一致時(shí)，這種模擬就可以看出巢中的蛋被發(fā)現(xiàn)的幾率就會(huì)很小。這種獨(dú)特的結(jié)合過程可以很好的確認(rèn)算法的有效性。除此之外， 第三條規(guī)
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1