本科畢業(yè)設(shè)計(jì)-多目標(biāo)進(jìn)化算法及應(yīng)用預(yù)計(jì)(參考版)
2025-01-21 17:26本頁面
【正文】 Pm = C(N,M)C(M,N)C(N,M)C(M,N)C(N,M)C(M,N)C(N,M)C(M,N)12345678910111213141516171819202122
。 Pm = MaxGens = 1000 PopSize = 200Pc = 。 Pm = C(N,M)C(M,N)C(N,M)C(M,N)C(N,M)C(M,N)C(N,M)C(M,N)123456789101112131415161718192021222324252627282930最大最小平均方差采用NSGAII和MOGLS優(yōu)化ZDT4結(jié)果(續(xù))MaxGens = 500 PopSize = 200Pc = 。 Pm = MaxGens = 1000 PopSize = 100Pc = 。 Pm = C(N,M)C(M,N)C(N,M)C(M,N)C(N,M)C(M,N)C(N,M)C(M,N)123456789101112131415161718192021222324252627282930最大最小平均方差附錄B 采用NSGAII和MOGLS優(yōu)化ZDT4結(jié)果MaxGens = 500 PopSize = 100Pc = 。 Pm = MaxGens = 1000 PopSize = 200Pc = 。 Pm = C(N,M)C(M,N)C(N,M)C(M,N)C(N,M)C(M,N)C(N,M)C(M,N)123456789101112131415161718192021222324252627282930最大最小平均方差采用NSGAII和MOGLS優(yōu)化KUR結(jié)果(續(xù))MaxGens = 500 PopSize = 200Pc = 。 Pm = MaxGens = 1000 PopSize = 100Pc = 。Sons,1988.[27]Zitzler E..Evolutionary Algorithms for Multiobjective Optimization:Methods and Applications[D].PhD Thesis,Switzerland:Swiss Federal Institute of Technology,2001.[28] Zitzler E. Multiobjective Evolutionary Algorithms:A Comparative Case Study and the Strength Pareto Approach.[J][29] 程鵬. 多目標(biāo)進(jìn)化算法測試問題的設(shè)計(jì)[J]. 清華大學(xué)學(xué)報(bào)（自然科學(xué)版）, 2008, 48(S2): 17561761.[30][D]. 北京: 北京航空航天大學(xué), 2005.附錄采用NSGAII和MOGLS優(yōu)化KUR結(jié)果MaxGens = 500 PopSize = 100Pc = 。參 考 文 獻(xiàn)[1] 鄭金華. 多目標(biāo)進(jìn)化算法及其應(yīng)用[M]. 北京: 科學(xué)出版社, 2007.[2] J. H. Holland, Adaptation in Natural and Artificial Systems[M]. Ann Arbor, MI: Univ. of Michigan Press, 1975.[3]T. Murata and H. Ishibuchi, MOGA: Multiobjective genetic algorithms[A]. in IEEE Int. Conf. Evolutionary Computat[C]., 1995,pp. 289–294[4] 杜平安, 郭志龍, 梁山虎, 等. 基于遺傳算法與動(dòng)態(tài)規(guī)劃法的工藝過程優(yōu)化[J]. 電子科技大學(xué)學(xué)報(bào), 2007, 3(20):146149.[5] . Schaffer. Multiple objective optimization with vector evaluated genetic algorithms[A]. in the Proceeding of the First International Conference on Genetic Algorithms[C]. New Jersey, Britain: IEE, 1985.[6] CHEOL G L, DONG H C, HYUM K J, et al. Niching genetic Algorithm with restricted petition selection for multimodal function optimization[J]. IEEE Transactions on Maqnetics, 1999, 35(3): 17221725.[7] K. Deb, A. Pratap, S. Agrawal, T. Meyrivan. A Fast and Elitist Multiobjective Genetic Algorithm: NSGAII [J]. IEEE Transactions on Evolutionary Computation, 2002, 6(2): 182 197.[8] 唐云嵐. Pareto 最優(yōu)概念的多目標(biāo)進(jìn)化算法綜述[J]. 計(jì)算機(jī)科學(xué), 2008, 35(10): 3510.[9]鄭向偉. 多目標(biāo)進(jìn)化算法研究進(jìn)展[J]. 計(jì)算機(jī)科學(xué), 2007, 34(7): 187192.[10]孟紅云. 多目標(biāo)進(jìn)化算法及應(yīng)用研究. 博士學(xué)位論文[D]. 西安: 西安電子科技大學(xué), 2007.[11]K. Deb. MultiObjective Optimization using Evolutionary Algorithms [M]. John Wiley amp。本文在現(xiàn)有兩種多目標(biāo)進(jìn)化算法的基礎(chǔ)上，通過算例分析了它們的模式和性能，比較了它們精英保留策略的復(fù)制方式通過與兩種現(xiàn)有多目標(biāo)遺傳算法NSGA 和MOGLS 對(duì)KUR多目標(biāo)連續(xù)函數(shù)算例的優(yōu)化,初步驗(yàn)證了算法的有效性，今后可以對(duì)其他兩到三種算法進(jìn)行性能比較；此外通過設(shè)置不同的遞進(jìn)參數(shù)與每層進(jìn)化代數(shù)對(duì)兩個(gè)算例進(jìn)行優(yōu)化的結(jié)果分析,進(jìn)一步深入分析了遞進(jìn)層數(shù)與遺傳進(jìn)化代數(shù)設(shè)置的比例對(duì)算法性能的影響。而后沿用了經(jīng)典的進(jìn)化結(jié)構(gòu)，基于這種策略，引用C指標(biāo)對(duì)比了NSGAII和MOGLS算法的性能。最后簡單介紹了算法的性能評(píng)價(jià)體系，為幾種算法比較的方案提供依據(jù)，得出基于實(shí)驗(yàn)的方法是科學(xué)可行的。然后著重介紹了多目標(biāo)進(jìn)化算法的關(guān)鍵技術(shù)，包括適應(yīng)值設(shè)計(jì)、維持群體多樣性和精英保留策略。第四章總結(jié)：第一章首先介紹了多目標(biāo)進(jìn)化算法的研究背景及意義，研究背景是大多數(shù)工程和科學(xué)問題是多目標(biāo)最優(yōu)問題，而多目標(biāo)優(yōu)化問題的各目標(biāo)之間通過決策變量相互制約,對(duì)其中一個(gè)目標(biāo)優(yōu)化必須以其它目標(biāo)作為代價(jià),而且各目標(biāo)的單位又往往不一致,因此很難客觀地評(píng)價(jià)多目標(biāo)問題解的優(yōu)劣性，現(xiàn)實(shí)意義是它對(duì)工程項(xiàng)目具有重要的實(shí)踐意義。但是，在算法的測試與改進(jìn)的過程中，研究人員往往希望能夠跟蹤算法的中間數(shù)據(jù)，或是在執(zhí)行的過程中能夠動(dòng)態(tài)的改變某些參數(shù)，從而方便的對(duì)算法進(jìn)行調(diào)整。所以基于以上兩個(gè)原因，人工方式就顯得效率極其低下，不能使研究人員專注于算法自身的改進(jìn)上。這無疑消耗了大量的時(shí)間和精力。2. 人工操作用實(shí)驗(yàn)來評(píng)價(jià)算法的性能，目前基本是靠算法結(jié)果的人工審查，以及各種性能指標(biāo)值的比較。但是，想要進(jìn)行性能的評(píng)測，就需要算法在相同環(huán)境下統(tǒng)一運(yùn)行，以保證結(jié)果的公正性和準(zhǔn)確性，保證結(jié)果更具有說服力，如果不能進(jìn)行集成，就很難達(dá)到這樣的評(píng)測條\件。采用這兩種算法對(duì)典型的多目標(biāo)函數(shù)優(yōu)化KUR算例進(jìn)行了優(yōu)化求解，將兩種算法的所得結(jié)果進(jìn)行比較分析，研究結(jié)果表明，NSGAII有比 MOGLS更優(yōu)的非劣解等級(jí)及非劣解集分布，因此驗(yàn)證了這兩種算法對(duì)多目標(biāo)函數(shù)優(yōu)化問題的求解性能的強(qiáng)弱關(guān)系。本章首先詳細(xì)介紹了NSGAII和MOGLS的原理及流程，特別是兩種方法存在差異的適應(yīng)度評(píng)價(jià)和精英保留策略。 MOGLS算法所得的非劣解集明顯劣于NSGAII算法：其非劣解數(shù)目非常稀少；非劣解所在的等級(jí)明顯比其他兩種算法的非劣解等級(jí)差，因此，NSGAII對(duì)KUR函數(shù)的優(yōu)化性能優(yōu)于MOGLS。在這個(gè)函數(shù)優(yōu)化算例中，KUR屬于優(yōu)化變量相對(duì)較少、優(yōu)化目標(biāo)較為復(fù)雜的函數(shù)測試算例（非凸、不連續(xù)問題），因此在許多算法研究的性能評(píng)價(jià)中，都采用這個(gè)算例驗(yàn)證新算法的有效性；ZDT4算例屬于多變量函數(shù)優(yōu)化算例（優(yōu)化變量10）。采
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1