导读:本文包含了多目标演化算法论文开题报告文献综述及选题提纲参考文献，主要关键词:多目标演化,线程,并发,执行框架
多目标演化算法论文文献综述
史晓艳,张桂珠[1]（2019）在《基于多线程并发的两目标演化算法研究》一文中研究指出文章针对基于两目标优化的演化算法计算规模大,消耗大量的计算时间问题,提出了一种基于多线程并发的多目标优化算法。通过引入多线程并发执行框架Executor,实现多核环境下的多任务并发执行,以提高算法的运行效率。该解决方案对多目标演化算法进行重构,使之适用于多线程环境,为进一步优化算法作铺垫。(本文来源于《江苏科技信息》期刊2019年21期）
王立晶,李桂英,李欣[2]（2019）在《基于聚类的多目标演化算法在航迹规划中的应用研究》一文中研究指出巡航导弹的航迹规划问题是一类复杂的多目标优化问题,利用多目标演化算法可以很好地求解此类问题。考虑到聚类算法的数据挖掘功能可以提高多目标演化算法的局部搜索能力,并能恰当地平衡搜索过程中的开采与勘探以获得均匀分布的逼近前沿,提出了一种基于聚类的多目标演化算法(HCEA)。HCEA算法利用层次聚类算法挖掘种群分布信息,然后利用配对控制概率平衡全局搜索与局部搜索,并在局部搜索与全局搜索中分别采用不同的差分系数,使算法的搜索能力进一步加强。实验结果表明HCEA能够有效地求解巡航导弹的航迹规划问题。(本文来源于《黑龙江大学工程学报》期刊2019年02期）
李欣[3]（2019）在《基于聚类的多目标演化算法交配限制策略研究》一文中研究指出针对不同领域中广泛存在的多目标优化问题,设计具有普适性和高性能的优化算法尤为迫切。相比于传统的优化方法,多目标演化算法不仅具有优秀的全局搜索能力、良好的并行性和鲁棒性,而且无需考虑问题的属性,单次运行即可获得多样化的折衷解,因此具有重要的应用价值与广阔的发展前景。多目标演化算法循环进行父代选择,个体重组与环境选择。学者们对环境选择算子做了大量的研究,针对个体重组时直接利用单目标优化重组算子的不足提出了基于规则模型的重组算子,但是对于交配父代选择的研究相对较少。在多目标演化算法中,基于偏好信息,从满足特定条件的个体中挑选父代,即进行交配限制,有利于算法实施恰当的重组操作,提高搜索性能。此外,聚类算法作为一类典型的无监督学习方法,可以很好地挖掘数据信息,辅助多目标演化算法发现种群分布结构。因此,本文根据聚类算法挖掘的解的分布信息,设计了多种多目标演化算法交配限制策略。本文的主要研究内容包括:演化过程中,质量较好的子种群更需要开采,而质量较差的子种群更需要勘探,对所有子种群的个体采用相同的交配限制准则存在一定不足。因此,提出了两种基于子种群质量的自适应交配限制策略。首先,针对每一子种群由同一类个体组成的情况,提出了一种基于类中新生成个体数的自适应交配限制策略和一种基于此策略的多目标演化算法SRMMEA。SRMMEA每隔几代利用K-means算法将种群聚类。同一类中的个体采用相同的交配限制概率,不同类个体采用不同的交配限制概率。由交配限制概率控制交配父代的来源。在每一代根据环境选择以后类中新产生的个体数目判断类的整体质量,进而更新类的交配限制概率。为了进一步提高算法性能,在开采与勘探时,分别采用适合于局部搜索与全局搜索的差分进化算子控制参数值。实验结果说明了交配限制策略的有效性。然而,通过类的质量推测个体的质量和需要的交配限制概率较为粗糙,因此令每一子种群仅由单一个体组成,并针对此情况设计了一种基于存活长度的自适应交配限制策略MRSL,进而提出了一种多目标差分进化算法MDESL。MDESL基于K-means算法提取邻域信息,然后为每个个体设置一个单独的交配限制概率,控制其进行开采与勘探的比例。在每一代根据个体在过去一段时间内的存活代数,即存活长度,判断个体质量,更新个体的交配限制概率。此外,MDESL根据种群差异度判断在下一代中进行聚类的必要性,从而适当地减少计算开销。通过对比实验,表明MDESL优于对比算法。基于分解的多目标演化算法将多目标优化问题分解为一系列子问题。在演化过程中,不同子问题被求解的程度不同,因此不同子问题对开采和勘探的需求是不同的。而MDESL中提出的生存长度的概念更适用于基于分解的多目标演化算法判断解的质量,进而判断子问题的求解程度。此外,根据权向量间距离定义的邻居解在决策空间中可能具有很远的分布距离,不利于开采。针对以上考虑,提出了一种基于子问题求解程度的自适应交配限制策略和一种多目标演化算法MOEA/D-OMR。MOEA/D-OMR利用在线凝聚聚类算法提取种群在决策空间中的邻域信息,准确地找到个体的邻居。然后根据每个子问题的交配限制概率,控制配对池由邻居个体还是整个种群组成。MOEA/D-OMR在每一代根据子问题的解的生存长度,自适应地更新交配限制概率。鉴于最大聚类数影响邻域大小,进而影响算法的搜索能力,MOEA/D-OMR每隔几代利用综合交配限制概率更新最大聚类数。实验结果表明MOEA/D-OMR具有很好的求解能力。在基于模型的多目标演化算法中,如果按照本课题已提出的交配限制策略,以一定概率将整个种群做为配对池,将会建立不准确的模型,不利于算法搜索。而且,随着演化的进行,算法对搜索范围的需求是不断变化的。针对此问题,提出了一种基于模型的自适应交配限制策略和一种多目标演化算法MMEA-sC。MMEA-sC利用FCM算法将种群划分为多个类。在每一代根据解的存活代数选择质量较差的个体进行演化。重组时,为当前演化个体建立单独的高斯模型。为了扩大搜索范围,模型均值即为演化个体本身。为了加强开采,将一个小于1的正系数与类协方差相乘,获得自适应协方差,然后用交配限制概率控制模型协方差为类协方差或者自适应协方差。鉴于算法在演化过程中对开采能力有不同的需求,预先定义了4个计算自适应协方差的系数,并根据系数的历史表现确定不同系数的被选概率。对比实验结果表明,MMEA-sC搜索性能更优。无人机航迹规划问题是一类典型的多目标优化问题,利用多目标演化算法求解此类问题更为实用,因此建立了两种场景下的无人机航迹规划问题模型,并利用之前提出的多目标演化算法进行求解。实验结果说明了算法的有效性以及不足。考虑到现有的求解航迹规划问题的多目标演化算法对所有路径点使用相同的交配限制准则,然而,不同路径点有不同质量,需要不同的搜索范围。而且,尽管对航迹进行了聚类,邻居航迹的某些路径点可能分布很远。为了解决上述问题,在之前给出的交配限制策略的基础上,提出了一系列评估函数测度路径点的质量,进而提出了一种基于评估函数与聚类交配限制策略的多目标演化算法MFKC。MFKC利用K-means算法为每个路径点,而非航迹,建立邻域关系。由每个路径点的交配限制概率控制交配父代来源于邻居路径点还是全局路径点,以分别加强开采和勘探。交配限制概率由评估函数测度的路径点质量决定。还提出了一种局部搜索算子进一步优化飞行高度。实验结果表明MFKC可以有效地求解无人机航迹规划问题,为决策者提供多样的航迹。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
徐新林[4]（2019）在《面向EED问题的多目标演化算法的设计与研究》一文中研究指出环境经济调度(EED,Environmental Economic Dispatch)因其能兼顾环境保护和经济效益,而受到了广泛关注。EED问题是一个非线性非凸的多目标优化问题。早期利用约束条件法或者权系数法等技术将多目标转化为单目标问题进行求解的方法很难在多目标间得到权衡。近年来,随着演化算法在解决多目标问题时的优异表现,EED问题的研究逐渐转向利用演化算法获得更优的调度方案。为此,本文设计了两种学习策略,并将其与多目标算法相结合提出了叁种多目标算法来解决EED问题,以提高Pareto前沿的均匀性、多样性和收敛性。主要研究工作如下:1.根据外部归档集分布特点,提出两种特定的学习策略以提高Pareto前沿的均匀性和多样性。一种是根据解的稀疏程度选择领导者的更新领导者策略,该策略是根据本文设计的个体间的最大距离md来选择较稀疏的解作为领导者;另一种是探测领导者周围稀疏方向进行扰动的领导者漫步策略,该策略中设计了一个稀疏方向l的概念,用来指导领导者向自身周围稀疏的方向搜索。2.两种策略与基于学习的回溯搜索算法(LBSA)相结合,提出了一种多目标学习回溯搜索算法(MOLBSA)。在LBSA中改进了变异算子,由原来的历史种群(oldP)控制搜索方向替换成由领导者和oldP共同指导变异。将MOLBSA应用到IEEE30-bus 6机组的测试系统上得到的实验结果与其他算法比较,实验结果验证了MOLBSA的优越性能。3.两种策略与集体决策优化算法(CDOA)相结合,提出了一种多目标集体决策优化算法(MOCDOA)。在MOCDOA中设计了一个几何中心更新策略,使算法向当前Pareto前沿的两个端点搜索的概率增大从而增加Pareto前沿的多样性。MOCDOA在IEEE30-bus 6机组上进行实验,结果表明与其他算法相比MOCDOA具有更良好的性能。4.两种策略与本文提出的一种新的灰色预测优化算法(GPEA)相结合,提出了一种多目标灰色预测优化算法(MOGPEA)。GPEA是利用连续的叁代种群(称为信息进化链)组成时间序列,并通过GM(1,1)来预测产生下一代。将MOGPEA应用到IEEE30-bus 6机组的测试系统上,结果与其他算法比较验证了MOGPEA在均匀性、多样性和收敛性各方面的优越性。为进一步验证两个策略与算法结合的性能,将MOLBSA、MOCDOA和MOGPEA得到的结果进行比较。结果表明MOGPEA在均匀性和收敛性方面优于其他两种多目标算法,MOCDOA在多样性反面优于其他两种多目标算法,并且叁种多目标算法都有潜力解决电力系统的其他多目标优化问题。(本文来源于《长江大学》期刊2019-04-01）
钞朋飞[5]（2019）在《基于锥面积演化算法的社会网络多目标社区检测》一文中研究指出社会网络(SNs)的研究是近年来的热点。现实世界中,通常情况下实体和它们之间存在的关系可以由各种社会网络代替。比如朋友关系网,新陈代谢网络等。实体抽象为社会网络的节点,它们之间的关系则是社会网络的连边。随着对社会网络研究的不断深入,研究者发现大多数社会网络具有社区结构的特征,即社会网络可以分为一定数量并且规模大小不定的社区。通常,对于社会网络的一对节点,它们之间更大的连接强度意味着这对节点在同一社区的可能性越大。特别的,如果一个社会网络中既存在正连边又存在负连边,那么该网络称为符号社会网络;如果社区结构中存在共享节点的社区,那么社会网络带有重迭社区。尽管目前出现了很多社区检测算法,但大多数都是针对无符号和不存在重迭社区结构的社会网络。显然,符号社会网络和带有重迭社区的社会网络能更有效地表示现实世界的各种网络,更符合现实意义。在符号社会网络中,社区结构的划分不仅要考虑连接强度,还要依据连接的属性。在带有重迭社区的社会网络中,如何有效表示重迭节点是个难题。为了更好的检测符号社会网络,和具有重迭社区结构的社会网络,同时考虑现实世界社会网络存在噪音的问题,本文完成以下研究内容从而设计针对以上两种类型社会网络的社区检测算法。(1)提出混合符号相似度和网络节点间固有连接权重来定义节点的连接强度用于符号社会网络社区检测。首先,本文的节点连接强度克服了仅使用符号相似度不适用于稀疏网络的缺陷和单使用节点连接权重容易被噪音干扰的弊端。同时基于本文定义的节点连接强度设计的社区紧致度在初始化时生成更有社区结构意义的种群,并在进化过程中发挥指导基因是否发生变异的作用。然后,结合更为高效的多目标优化算法CAEA,实现符号网络社区检测算法。(2)结合CAEA与最大团表示机制对社会网络重迭社区检测。借助于分解的思想,MOEA/D将一个多目标优化问题分解成多个单目标优化子问题,并通过种群进化同时优化这些子问题。与MOEA/D不同,CAEA不仅将多目标优化问题分解为多个规模的子问题,而且还给每个子问题分配一个独有的决策子区域。此外,每个子问题都使用锥形区域指示器作为其标量目标,在其关联的决策子集中找到一个局部非支配解。实践表明,CAEA算法拥有更好的效果和更高的效率。将团和最大团应用在社区检测上有效地利用了团之间共享节点恰符合重迭社区结构的属性。在预处理阶段找出所有的最大团,将最大团设为新的节点,然后使用简单个体直接表示机制便可以进行重迭社区检测。同时,针对目标函数尺度不同导致的进化偏向大尺度目标,进而损失种群多样性的问题,本文设计了目标函数的离差标准化。(3)分别在真实世界网络,人工合成网络(即带噪音的网络)两类网络对两个算法的性能进行全面评估。其中人工合成网络实验使用多种参数组合进行了较为系统的实验,这些实验包含较大规模,较高噪音时对两个算法的检验。并与性能表现良好的MEAs-SN,louvain和实验MCMOEA进行系统对比,以验证本文算法在社区检测问题上的有效性和高效性。在人工合成网络和现实世界网络的实验结果表明,本文设计的两个基于锥面积演化算法的社会网络多目标社区检测算法在相应类型的社会网络社区检测问题上,不仅能够获得优异的检测结果,同时还拥有较高计算效率和鲁棒性。(本文来源于《华南理工大学》期刊2019-03-11）
张咪[6]（2018）在《基于多目标自适应演化算法的网络业务流分类方法研究》一文中研究指出随着网络的稳健发展,网民不断增多,新型的网络业务不断涌现。网络多媒体业务(网络视频业务、网页浏览、网络音乐等)作为常用的互联网业务,占据了大部分的网络流量。因此,高效准确的识别网络业务流有着重要的意义,有助于网络业务供应商(ISP,Internet Service Provider)合理分配资源,进行网络管理,保障业务的服务质量。本文针对网络视频(直播和非直播)、音频(QQ音乐)、即时通信类(Skype)和网页浏览(Baidu和sina)六种网络业务进行分类研究。主要研究工作如下:基于信息增益率和演化算法提出了一种新型的多目标自适应演化特征选择方法,即GRMAEA算法。该方法首先利用信息增益率进行特征排序,快速降维,并选择排名靠前的特征作为多目标演化算法的初始种群。然后优化了传统的演化算法,选用不一致率和特征子集的维数作为目标函数,减少了特征选择迭代的时间开销,提高了分类器的性能。实验表明,在不同数据集上本文方法相对于现有的特征选择方法,具有较高的分类精度和较低的时间复杂度。利用GR-MAEA选出有区分度的特征组合,用于识别六种网络业务流。为了实现细粒度分类,本文设计了一种多层KNN分类器级联方案,结合特征选择算法选取的统计特征进行网络业务流识别,并将分类结果与已有多层SVM分类方案进行对比,实验结果显示本文方法具有较高的分类精度。运用深度学习方法深层神经网络DNN进行网络业务分类。实验中采用叁层DNN对输入的27维特征向量自动进行选择、分类,并通过调整隐藏层节点数的设置和训练迭代次数来优化分类准确率,最终实现了六种网络业务流准确分类。并将分类结果与多层SVM、多层KNN进行对比,分析了各自的优缺点。(本文来源于《南京邮电大学》期刊2018-11-14）
洪文静[7]（2018）在《大规模多目标演化算法及其应用研究》一文中研究指出多目标优化问题是在科学研究和生产应用中广泛存在的一类具有挑战性的优化问题。其难点在于问题的多个目标之间往往存在冲突,导致通常不存在一个可以满足所有优化目标的解,因此现有的解析方法难以对其进行精确求解。演化算法因其基于种群的多点搜索机制,及对问题性质不做特别假设,天然地符合多目标优化寻找一组在多个目标之间进行折衷的最优解集的逼近集合的需求。因此,多目标演化算法已成为求解这类问题的主流技术手段之一。随着多目标演化算法的发展,其扩放性逐渐受到了研究者的关注。相比于多目标演化算法在目标维度的扩放性受到的广泛关注,目前研究其在决策变量维度的扩放性的工作较少。然而,这一点是与实际需求是相悖的。其一,大规模多目标优化问题的求解是有其应用需求的,如深度神经网络权值优化问题、大规模多目标社交网络分析、多目标车辆路径规划问题等;其二,现有多目标演化算法的性能随变量数增大而急剧下降,难以有效求解大规模多目标问题。基于此,本文针对大规模多目标演化优化进行研究,通过分析连续和离散多目标优化问题的特性,设计高效求解大规模多目标优化问题的多目标演化算法。本文的主要研究工作与创新之处包括以下几个方面:1.面向大规模多目标连续优化问题的分析和演化算法研究。由于多个优化目标之间存在冲突,人们通常希望寻求一组称之为Pareto最优解集,来寻求多个目标之间的折衷。针对这类问题,研究者们已经提出了许多多目标演化算法。但这些算法的性能随规模增大显着降低。因此,本文首先通过几个典型的测试问题集,深入分析制约现有多目标演化算法可扩放性的关键瓶颈,并将这些测试问题依据规模因素所带来的影响划分为叁类,即聚焦收敛性的问题、聚焦多样性且无收敛-多样相关性的问题、聚焦多样性且有收敛-多样相关性的问题。对于第一类问题,现有的大规模单目标优化的研究成果天然地可以借鉴进来。对于第二类问题,由于收敛-多样之间无相关性,算法对于收敛性和多样性的需求可以相对独立地得到满足。实验结果表明,现有的大规模算法可以很好地对这类问题进行求解。对于第叁类问题,与前两类问题的优异性能相比,现有的大规模算法不能对其进行很好地求解,甚至表现出比传统多目标演化算法还要差的性能。因此,对于这类问题的求解,亟待研究。基于此,本文提出了一个带多样性导向机制的大规模多目标演化算法。它以经典的SMS-EMOA为基本框架,引入一个基于外部集的新解生成器以加强多样性。该新解生成器的基本思想是,强迫外部集中的个体搜索Pareto前沿的不同区域,以产生目标空间中多样的新生个体。我们提出了一个双重局部搜索机制以实现其搜索。实验结果表明,该算法可以比现有算法在第叁类问题上得到更好的解,并且实现更好的收敛性和多样性之间的平衡。2.针对一种复杂的现实大规模多目标连续优化问题,即ROC凸包最大化问题,进行研究。基于ROC凸包的分类问题旨在寻找一组在TPR和FPR之间进行权衡的分类器。其本质上是一个多目标优化问题。随着数据维度、分类器超参数目等变量的数目规模急剧增大,这类问题展现出大规模多目标优化问题的特性。然而,不同于一般性的多目标优化问题,它的求解目标是寻求一组称之为凸包解集的最优解集。因此,研究者们已经提出了一些基于凸包的多目标演化算法。然而,在求解大规模问题时,现有算法表现出多样性不足的现象。因此,本文在现有算法的基础上,提出了一个改进版的基于凸包的多目标演化算法,以加强其多样性。具体地,该算法采用一个基于个体最小值凸包的多目标排序策略和基于凸包面积最大化的选择机制实现对种群的选择。在多个高维不平衡数据集上的实验结果表明,通过优化一组神经网络的权值,该算法可比现有算法得到的分类性能更好。3.针对一种复杂的现实大规模多目标离散优化问题,即社交网络上的影响力最大化问题,进行研究。社交网络上的影响力最大化问题是近年来得到广泛关注的一个组合优化问题。在竞争环境下,该问题的研究旨在从众多网络节点中,找出在其他参与者的竞争下影响力仍能超过指定阈值的、始发数最少的一组节点。然而,随着社交网络规模的增大,现有的研究方法难以在可接受的时间内给出一个质量可接受的解。基于此,本文首先将竞争环境中的影响力最大化问题建模成一个多目标优化问题,并设计了一个可扩放的多目标演化算法对其进行求解。具体地,一个变可行域搜索的机制被提出以加速算法的搜索速率,以提升多样性和收敛性之间平衡。在多个大规模的社交网络上的实验结果表明,该算法相对于现有方法,可以在问题求解的性能和时间开销之间给出一个比较好的平衡。(本文来源于《中国科学技术大学》期刊2018-11-05）
杜天松,郭海湘,潘雯雯,刘晓[8]（2018）在《基于多目标演化算法的油田危险品物流系统选址-路径问题》一文中研究指出危险品事故往往会产生灾难性的后果,研究油田危险品物流系统的管理方法和模型具有十分重要的意义。从选址-路径问题(LRP)集成化的角度研究鄂南油田危险品物流系统。提出了适合于鄂南油田的危险品运输的双层配送网络,并以道路危险度等级为约束,构建了一个总成本最小、风险最低、可靠性最强的油田危险品物资运输的多目标LRP模型;进而,通过多目标演化算法(MOEA)得到了Pareto最优解集合,并采用随机多属性可接受度分析方法(SMAA)对Pareto最优解集进行再次筛选,求得最优选址方案和最优配送路线;最后,以进化率、非劣解分布离散度和解空间分布多样性等指标衡量了MOEA的性能,结果验证了算法参数设置的合理性和非劣解集的有效性。本文提出的LRP模型和MOEA-SMAA求解方法对于进一步补充和完善危险品物流系统的选址-路径问题研究具有一定的理论意义,对油田、煤矿等行业的物流系统优化具有重要的现实意义。(本文来源于《系统管理学报》期刊2018年04期）
周冲[9]（2018）在《基于参考点的高维多目标演化算法研究及其在卫星星座设计中的应用》一文中研究指出基于参考点的多目标演化算法利用一个均匀分布的参考点集作为指导搜索的方向,提高算法在多样性上的性能,有效降低求解多目标或高维多目标优化问题的难度。目前,基于参考点的多目标演化算法是较流行的求解高维多目标优化问题的技术之一。它与基于分解的多目标演化算法的不同之处在于没有使用聚合函数。尽管基于参考点的多目标演化算法在求解高维多目标优化问题上展现出了一定优势,然而根据“没有免费午餐”定理,它在算法设计和应用层面均存在着缺陷和不足。本文围绕该类方法,着眼于“如何在目标空间中平衡收敛性和多样性”以及“如何能够同时有效处理非规则和规则的问题”这两个问题上,展开了系统性的研究,并且把基于参考点的多目标优化算法应用到卫星星座设计问题中。(1)如何在目标空间中平衡收敛性和多样性多目标演化算法是为了找到一组离Pareto前沿近,而且沿着前沿均匀分布的非支配解集,即收敛性和多样性。在高维多目标优化问题中,随着目标个数的增多,Pareto支配变得无效,导致种群中存在大量的非支配解,进而降低了解向Pareto前沿移动的压力。并且随着目标个数的增多,维护多样性也变得困难。在已有的研究中,有些算法收敛性较好,而多样性较差。有些算法维护了较好的多样性,但收敛性不强。因此,如何有效地平衡收敛性和多样性是需要进一步研究的问题。(2)如何能够同时有效处理非规则和规则的问题由于基于参考点的多目标演化算法中,参考点集是均匀分布的,导致这些算法在规则的问题上有很好的性能。然而,当这些算法用于求解非规则的问题时,例如具有不连续,退化,反向等特性的问题,往往不能获得较好的解集。为了能够有效地求解非规则问题,提出了一些自适应参考点的演化算法。然而,这些自适应参考点的演化算法在求解规则的问题时,又没有较好的性能。因此,如何能够同时有效处理非规则和规则问题是一个值得研究的问题。(3)卫星星座设计问题卫星星座设计问题是一个典型的多目标优化问题。设计区域覆盖星座常常需要满足很多指标,如覆盖百分比,最大重返时间,平均重返时间,地面分辨率,卫星个数等。然而,很多研究通常选择其中一两个指标作为目标函数,并且用单目标演化算法或者传统的多目标演化算法求解。基于参考点的多目标演化算法并没有应用到该问题中。因此,用基于参考点的多目标演化求解卫星星座设计问题是很有意义的研究。本文针对以上问题进行了研究,主要研究成果和创新点包括:(1)针对如何在目标空间平衡收敛性和多样性问题,提出了一个创新的算以维护好的多样性。因此,本文通过关联操作融合了它们,共同指导算法搜索。通过实验验证和分析,该算法可以得到收敛性和多样性具佳的非支配解集。(2)针对支配中收敛性信息不足问题,本文提出一个增强的支配关系。经过理论证明,增强的支配在种群上是一个严格的偏序关系,能够直接应用到非支配排序中。为了维护更好的多样性,使用了一个基于参考点的密度选择机制。基于以上内容,本文提出一个新的基于增强支配和密度选择的演化算法,用于求解高维多目标优化问题。通过实验验证和分析,该算法能够增强支配,并在规则的问题上获得了较好的性能。(3)基于非自适应参考点的演化算法在规则问题上能够获得较好的结果,在非规则的问题上不能。基于自适应参考点的演化算法在非规则问题上性能较好,而在规则问题上退化。针对这个问题,即如何能够同时有效处理非规则和规则问题,本文提出了一个自适应参考点的演化算法。该算法中为了控制参考点的调整,使用了熵。为了维护参考点的多样性,设计了一个基于余弦相似度的调整策略。通过实验验证和分析,该算法既能够有效求解规则问题,也能够有效处理非规则问题。(4)对于卫星星座设计问题,目前大部分的研究都集中在两叁个目标的星座设计上,并且用于求解该问题的算法都是一些传统的算法。本文用基于参考点的演化算法求解卫星星座设计问题。为了更好的评估星座的性能,选择了4个指标作为目标函数。通过实验仿真,结果表明基于参考点的演化算法能够得到满足需求的星座。(本文来源于《中国地质大学》期刊2018-05-01）
赵建伟[10]（2017）在《分布式并行多目标演化算法及其在无线传感器网络部署中的应用研究》一文中研究指出现实生活中,许多复杂优化问题尤其是NP难问题可以采用演化算法求解。当优化问题涉及多个一般相互冲突的目标,称为多目标优化问题,可用多目标演化算法优化。随着大数据时代的到来,出现了许多多目标大规模优化问题,传统多目标大规模演化算法大多是串行的,故需设计新的并行算法。多目标演化算法可应用于无线传感器网络部署问题。传统研究主要关注二维平面和叁维全空间,且传感器大多为同构全向的。然而,这不能满足现实世界复杂叁维环境的多样需求。为此,本文将使用演化算法优化无线传感器网络在复杂叁维环境中的多目标部署问题。本文由四部分构成。第一,提出一种分布式并行合作协同进化多目标演化算法。基于一种改进的分组方法将变量分组,每个分组由一子种群优化,进一步将子种群分为多个集,并构建双层的并行框架;算法将原始问题分解为多个较简单的小规模问题,降低求解难度,同时,并行化极大减少了优化时间。第二,对异构有向传感器网络在叁维地形上的部署问题进行了研究。提出了一种改进的非确定覆盖模型,使其更符合实际应用,同时考虑了覆盖率、连通均匀度和部署费用,并使用多目标演化算法进行优化。第叁,提出一种分布式并行合作协同进化多目标大规模免疫算法。使用多种群充分探索各个目标,通过变量分组将大规模问题分解为多个小规模问题;免疫算法思想的引入使算法倾向于探索目标空间中的稀疏区域,提高算法找到解集的均匀性和多样性;对第二部分的部署问题的应用证实了其有效性。最后,对第一部分的算法进行改进,以损失部分并行度为代价,个体的进化在单个CPU串行进行,综合利用整个子种群的个体信息;试验多种优化算子,验证了分布式并行框架的良好可扩展性;对存在障碍物的复杂叁维轮机舱空间中的工业无线传感器网络进行了部署研究,提出一种改进的非确定覆盖模型,将可靠性作为优化目标之一,综合考虑覆盖率、生命周期和可靠性,使用多目标演化算法进行优化,实验结果证实了改进的算法的优越性。综上所述,本文提出多种分布式并行合作协同进化多目标大规模演化算法,研究了异构有向传感器网络在叁维地形上及工业无线传感器网络在存在障碍物的叁维轮机舱空间中的多目标部署问题。提出的算法在这些问题上的应用进一步验证了其有效性。(本文来源于《河北工业大学》期刊2017-12-01）
多目标演化算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
巡航导弹的航迹规划问题是一类复杂的多目标优化问题,利用多目标演化算法可以很好地求解此类问题。考虑到聚类算法的数据挖掘功能可以提高多目标演化算法的局部搜索能力,并能恰当地平衡搜索过程中的开采与勘探以获得均匀分布的逼近前沿,提出了一种基于聚类的多目标演化算法(HCEA)。HCEA算法利用层次聚类算法挖掘种群分布信息,然后利用配对控制概率平衡全局搜索与局部搜索,并在局部搜索与全局搜索中分别采用不同的差分系数,使算法的搜索能力进一步加强。实验结果表明HCEA能够有效地求解巡航导弹的航迹规划问题。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多目标演化算法论文参考文献
[1].史晓艳,张桂珠.基于多线程并发的两目标演化算法研究[J].江苏科技信息.2019
[2].王立晶,李桂英,李欣.基于聚类的多目标演化算法在航迹规划中的应用研究[J].黑龙江大学工程学报.2019
[3].李欣.基于聚类的多目标演化算法交配限制策略研究[D].哈尔滨工业大学.2019
[4].徐新林.面向EED问题的多目标演化算法的设计与研究[D].长江大学.2019
[5].钞朋飞.基于锥面积演化算法的社会网络多目标社区检测[D].华南理工大学.2019
[6].张咪.基于多目标自适应演化算法的网络业务流分类方法研究[D].南京邮电大学.2018
[7].洪文静.大规模多目标演化算法及其应用研究[D].中国科学技术大学.2018
[8].杜天松,郭海湘,潘雯雯,刘晓.基于多目标演化算法的油田危险品物流系统选址-路径问题[J].系统管理学报.2018
[9].周冲.基于参考点的高维多目标演化算法研究及其在卫星星座设计中的应用[D].中国地质大学.2018
[10].赵建伟.分布式并行多目标演化算法及其在无线传感器网络部署中的应用研究[D].河北工业大学.2017