外文翻譯---一種基于樹結構的快速多目標遺傳算法-文庫吧資料
2025-06-10 22:31本頁面
【正文】 著種群數量的增長，使得計算復雜度增加非?？臁? 基于支配樹的進化算法 支配樹 支配樹的結構 正如我們所知道的，適用度評價是多目標進化算法的重要組成部分，它高度影響算法的性能；并且它在處理時間上非常耗時。這些新算法和數據結構在某些程度上加快了適應度評價的處理。四叉樹被檢驗作為把精英個體存儲到非支配解中， 這個不可約的支配圖 (IDG)被提出以用來管理種群。 Jensen 系統地分析許多 當代多目標進化算法的計算復雜度，并提出了一些有效的非支配排序算法。還有一種解釋是 MOEA 的研究往往忽略了問題的計算復雜性，幸運的是，許多研究人員已經開始注意到這個問題。 另一方面，許多多目標進化算法耗時。此外，在多目標進化算法中，許多參數需要根據問題域的知識和經驗進行調整。一方面，許多多目標進化算法錯綜復雜。此外，使用不受約束的精英歸檔可避免被估計的 Pareto附錄 4 前沿收縮。目前的研究表明，目前的研究表明，精英主義可以顯著地提高多目標進化算法的性能，它有助于防止優(yōu)秀解個體的丟失。這種方法將一個多目標雨花問題分解成為多個標量優(yōu)化的子問題，并且在同一時間優(yōu)化它們。最近，一些新的進化范例成功應用于多目標優(yōu)化，例如，粒子群優(yōu)化，人工免疫系統，估計分配和分散搜索。另一種流行的策略是使用超網格把目標空間劃分成單元格。 Pareto 小生境和適應度共享技術在許多多目標進化算法中得到廣泛地使用，例如，在 NSGA， NPGA 和 MOGA 中。另一個排序在 SPEA2 中被提出，在這種方法中，每一個個體都被分配一個強度值。 Goldberg 第一次提出了一個普遍的方法，解集按照不同的支配序分成不同的前沿。為了解決第一個方面，一個基于 Pareto 的適應度評價方法通常被設計為指導朝向真正 Pareto 前沿進行搜索。 這兩個目標往往是大多數 MOEAs 的性能指標。這些差異要求MOEAs 要有更復雜的適應度評價規(guī)則。 SOPs附錄 4 的解在目標空間中是標量數字，并且它們的關系有兩種可能性：小于和大于（包含等于，為了簡單起見，經常稱之為大于）。相應的目標向量解集被稱作非支配集，或者 Pateto 前沿。）一個決策變量向量 ??x? 被稱作 Pareto 最優(yōu)解，當且僅當不存在 ??y? ，使得? ? ? ?yFxF ??? 。 當前，大多數多目標優(yōu)化的研究都是基于 Pareto 占優(yōu)。 定義 1：一般的多目標優(yōu)化：一般來說，最小化一組多目標優(yōu)化函數))() ,.. .,(()( 1 xfxfxF m ??? ? ，約束函數 ? ? ???? xkixg i ?,.. .1,0 （ ? 是決策變量空間）一個多目標優(yōu)化的解可以使 m維的目標向量 )(xF? 的一部分達到最小，其中 ? ?nxxx ...,1?? 是空間 ? 的 n
畢業(yè)設計相關推薦
鄂ICP備17016276號-1