导读:本文包含了演化多目标优化论文开题报告文献综述及选题提纲参考文献，主要关键词:流形,差分算子,分布估计算子,多目标优化
演化多目标优化论文文献综述
杜冠军,佟国香[1]（2019）在《一种新的混合演化多目标优化算法》一文中研究指出在KKT(Karush-Kuhn-Tucker)条件下,m维的连续多目标优化问题的Pareto解集在决策空间是一个(m-1)维的流形(manifold)。随着算法的迭代,当前种群将分布在流形的周围。为充分利用这一规则特性(regularity property)以解决具有复杂PS(Pareto set)的多目标优化问题,本文提出一种基于差分算子和分布估计算子的混合子代生成算法。首先,引入一个参数来指示当前种群的收敛程度,即当前种群解个体所构成的数据的协方差矩阵的前(m-1)个特征值的和与所有特征值的和的比,比值越大,收敛程度越高;进而,根据不同比值,自适应调节差分算子和分布估计算子生成新解的数量。将该算法在tec09系列测试函数上进行仿真实验,并与RM-MEDA、NSGA-II-DE两个算法进行对比,实验结果表明,RM-MEDA/DE算法优于与之比较的其他算法。(本文来源于《软件》期刊2019年02期）
张龄之[2]（2017）在《基于演化算法的多目标优化问题研究》一文中研究指出典型的多目标问题求解思路是将多目标问题抽象为数值函数,并通过演化算法获得该数值函数的最优解。虽然学者们致力于多目标优化问题的研究已有数年,提出了很多优秀的多目标优化算法,在不同环境下均获得了显着的效果,但对于能够处理多种复杂函数,同时兼顾分布性与收敛性指标的数值计算方法仍处于探索阶段。本文重点研究求解多目标优化问题的演化计算方法,并将该算法应用到模糊认知图中。模糊认知图可以为因果关系建立一个可计算模型,通过系统中节点和表示因果关系有向弧传递知识,使因果关系表达更加形式化。由于其不具有非单调推理能力,当遇到实际问题时,模糊认知图并不能找到精确的权值,容易形成较大的模型误差,因此,可以有效的验证算法的实用性。本文针对上述问题展开研究,并提出相应的解决方案,设计了相应的算法:(1)针对基于传统占优机制的经典多目标智能算法在迭代过程中对精英种群判断力较弱,从而导致算法收敛缓慢和无法得到最优解的问题,本文在多目标演化算法基础上设计了坐标变换策略、外部存储器更新策略和密度筛选策略,提出了基于坐标变换的多目标演化算法(Multi-objective Evolutionary Algorithm based on Coordinate Transformation,MOEA/CT)。实验结果表明,MOEA/CT具有较为快速的寻优能力,可以有效增强所获解集的收敛程度及分布的均匀程度;(2)针对传统模糊认知图学习算法仅优化概念结点间有向弧的权值而造成模型拟合准确程度不高的问题,将多目标演化的思想用于模糊认知图学习算法,并设计了以有向弧权值误差与误差权重为目标的多目标模糊认知图学习模型,降低了学习算法对权值的依赖。为有效求解该多目标优化模型,将MOEA/CT算法应用于模糊认知图学习中,提出一种基于多目标演化的模糊认知图学习算法(Multi-objective Evolutionary Algorithm based on Coordinate Transformation for FCM,MOEA/CT-FCM)。实验结果表明,MOEA/CTFCM可以有效降低结点数据误差与模型误差,能够更准确地得出概念结点间的因果关系。(本文来源于《江南大学》期刊2017-06-01）
李晓靖,卢青波[3]（2013）在《基于差异演化算法的V带传动多目标优化设计》一文中研究指出为研究V带传动多目标优化问题,基于高斯变异提出一种高斯变异多目标差异演化算法(Multi-Objective Differential Evolut ion Based on Gauss Mutation,GMODE)。该算法首先引入了佳点集方法对种群进行初始化,其次在差分向量选择不合适时,采用高斯变异,引导个体向非劣解进化,提高算法的收敛速度;最后在个体多次不更新位置时,采用高斯变异,以提升个体逃离局部最优点的能力。通过与其他算法的比较,发现该算法能有效避免/早熟0收敛,具有较好的收敛速度和多样性。(本文来源于《机械传动》期刊2013年10期）
胡长远,唐和生,薛松涛,苏瑜[4]（2013）在《桁架结构多目标优化的微分演化算法》一文中研究指出为了解决带有约束的桁架结构的多目标优化问题,本文采用了一种基于微分演化的多目标优化(DEMO)方法。DEMO方法采用多目标优化进化算法中Pareto和拥挤距离排序机制,并保留了DE算法的优点。为了验证DEMO算法的可行性和有效性,对经典桁架进行尺寸优化,并与其他优化方法进行了比较,数值结果表明DEMO算法性能比其他算法要好,其所得的解具有更好的多样性、均匀性和收敛性。(本文来源于《燕山大学学报》期刊2013年03期）
卢青波,张学良,温淑花,兰国生,刘丽琴[5]（2013）在《基于差异演化算法的动压滑动轴承多目标优化》一文中研究指出为研究流体动压轴承的多目标优化问题,提出一种改进多目标差异演化算法。该算法在选择差分向量时,对产生差分向量的两个个体比较其优劣,用非支配解减去支配解,引导个体向非劣解进化,提高算法的收敛速度;其次提出了种群修剪策略,消除进化后期种群中相同个体引起的种群全局搜索能力下降的缺点,以提升算法的全局寻优能力。通过与其它算法的比较,发现该算法能有效避免"早熟"收敛,具有较好的收敛速度和多样性。工程实例求解结果表明了算法的工程可行性。(本文来源于《农业机械学报》期刊2013年03期）
王艳辉[6]（2012）在《基于进化多目标优化的演化聚类及其应用研究》一文中研究指出近年来,许多应用中的数据其特性随时间动态变化,在不同时间段上,分析和挖掘这类数据的特性已成为一个新的热点问题。针对这类问题,演化聚类(evolutionary clustering)中的时间平滑性框架被提出,并且已经得到学术界和工业界的广泛关注。演化聚类中提出的时间平滑性框架具有如下特点：(1)聚类结果能很好地符合当前时间段上数据的特性；(2)聚类结果和最近的历史类簇结构尽可能地相似,以实现各时间段上类簇的平滑。演化聚类中的这两个特点相互冲突,一个性能的提高必定引起另一个性能的降低。进化多目标优化算法(EMOA)是近年来发展起来的一种利用进化计算方法求解多目标优化问题的新的优化算法。由于其具有高效、实用的特点,越来越受到学术界的重视。针对演化聚类框架中两个目标函数间相互冲突的特性,利用进化多目标优化方法处理这类问题的算法被提出。第叁章将进化多目标优化方法引入演化聚类,构造了一种新的演化聚类方法——基于分解的进化多目标演化聚类算法。在该算法中,我们使用MOEA/D同时优化演化k-means (?)中两个相互冲突的函数,克服了传统方法中需要提前设定权重参数的缺陷。另外,由于进化计算的引入,加强了算法的搜索能力,相比已有算法可以找到更好的解。通过对人工数据集和UCI数据集的处理,验证了我们算法的性能。第四章将基于进化多目标优化的时间平滑性框架用于动态网络社区检测,构造了一种新的网络社区检测方法——基于进化多目标优化的动态网络社区检测算法。在该算法中,首先通过合适的社区质量函数和历史代价函数评价动态网络的社区质量和历史代价,然后利用MOEA/D同时优化这两个相互冲突的目标函数,得到一组最优解,这有效地克服了传统方法中需要提前设定权重参数的缺陷。其次,合适的基因编解码方法使得算法可以自动确定社区模块数,并通过采用合理的交叉、变异算子提高了算法的搜索能力。最后,通过对人工合成网络中社区结构的检测,验证了我们的方法比现有的其他方法具有更好地检测社区结构的能力。第五章在第四章给出算法的基础上,针对动态网络社区检测这一特定问题加入了相应的局部搜索策略,进一步提高了我们算法处理复杂动态网络的能力。并且,通过对人工合成网络和现实网络的处理,验证了我们算法的性能。(本文来源于《西安电子科技大学》期刊2012-01-01）
卢青波,张学良,温淑花,兰国生,刘丽琴[7]（2011）在《基于差异演化算法和多属性决策的机电系统可靠性多目标优化设计》一文中研究指出针对机电系统可靠性设计问题,以可靠性和费用(或体积等)最优为目标建立可靠性设计的多目标优化模型.提出了自适应多目标差异演化算法,该算法提出了自适应缩放因子和混沌交叉率,采用改进的快速排序方法构造Pareto最优解,采用NSGA-II的拥挤操作对档案文件进行消减.采用自适应多目标差异演化算法获得多目标问题的Pareto最优解,利用TOPSIS方法对Pareto最优解进行多属性决策.实际工程结果表明:自适应多目标差异演化算法调节参数更少,且求得的Pareto最优解分布均匀;采用基于TOPSIS的多属性决策方法得到的结果合理可行.(本文来源于《工程设计学报》期刊2011年06期）
李志杰[8]（2011）在《演化计算在多目标优化问题中的应用》一文中研究指出多目标优化问题是一类很普遍的问题。演化算法是一种通过模拟自然界的生物演化过程搜索最优解的方法,用于求解多目标优化问题有其独特的优势。系统介绍了多目标演化算法特点、需要解决的关键问题、算法框架、算法实现及应用趋势。(本文来源于《科技创业月刊》期刊2011年16期）
宋中山,陈建国,郑波尽[9]（2011）在《一种多项指标全提升的多目标优化演化算法》一文中研究指出针对当前大部分多目标优化演化算法设计复杂、耗时巨大,以及取得的近似Pareto前沿点不够多、分布不均匀、覆盖不完整等问题,提出了一种新的基于粒子群和几何Pareto选择算法的多目标优化PSGPS算法.经过5个测试问题的实验结果表明:该算法使用较低的时间消耗,就能在前沿点个数、前沿点分布均匀性、覆盖完整度等性能指标上都优于当前流行的NSGA2,SPEA2和PESA等多目标优化演化算法.(本文来源于《中南民族大学学报(自然科学版)》期刊2011年03期）
夏学文,熊曾刚,李元香,朱继祥[10]（2010）在《模拟电路的多目标优化与演化设计》一文中研究指出对模拟电路设计中涉及的多个目标进行了定义与量化,并针对这些目标提出一种面向模拟电路演化设计的多目标遗传算法,该方法利用非支配排序和适应值共享策略来提高搜索方向的空间均匀性,引入基于电路构造指令的编码方案来支持电路自动生成和提高电路演化的效率,并且该编码方案也同样适用于数字电路。利用协同演化的适应值评估策略来增强种群的学习能力,提高演化效率。实验结果表明,该方法可以设计出更实用、简单的模拟电路。(本文来源于《计算机工程与应用》期刊2010年26期）
演化多目标优化论文开题报告
（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：
典型的多目标问题求解思路是将多目标问题抽象为数值函数,并通过演化算法获得该数值函数的最优解。虽然学者们致力于多目标优化问题的研究已有数年,提出了很多优秀的多目标优化算法,在不同环境下均获得了显着的效果,但对于能够处理多种复杂函数,同时兼顾分布性与收敛性指标的数值计算方法仍处于探索阶段。本文重点研究求解多目标优化问题的演化计算方法,并将该算法应用到模糊认知图中。模糊认知图可以为因果关系建立一个可计算模型,通过系统中节点和表示因果关系有向弧传递知识,使因果关系表达更加形式化。由于其不具有非单调推理能力,当遇到实际问题时,模糊认知图并不能找到精确的权值,容易形成较大的模型误差,因此,可以有效的验证算法的实用性。本文针对上述问题展开研究,并提出相应的解决方案,设计了相应的算法:(1)针对基于传统占优机制的经典多目标智能算法在迭代过程中对精英种群判断力较弱,从而导致算法收敛缓慢和无法得到最优解的问题,本文在多目标演化算法基础上设计了坐标变换策略、外部存储器更新策略和密度筛选策略,提出了基于坐标变换的多目标演化算法(Multi-objective Evolutionary Algorithm based on Coordinate Transformation,MOEA/CT)。实验结果表明,MOEA/CT具有较为快速的寻优能力,可以有效增强所获解集的收敛程度及分布的均匀程度;(2)针对传统模糊认知图学习算法仅优化概念结点间有向弧的权值而造成模型拟合准确程度不高的问题,将多目标演化的思想用于模糊认知图学习算法,并设计了以有向弧权值误差与误差权重为目标的多目标模糊认知图学习模型,降低了学习算法对权值的依赖。为有效求解该多目标优化模型,将MOEA/CT算法应用于模糊认知图学习中,提出一种基于多目标演化的模糊认知图学习算法(Multi-objective Evolutionary Algorithm based on Coordinate Transformation for FCM,MOEA/CT-FCM)。实验结果表明,MOEA/CTFCM可以有效降低结点数据误差与模型误差,能够更准确地得出概念结点间的因果关系。
（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。
演化多目标优化论文参考文献
[1].杜冠军,佟国香.一种新的混合演化多目标优化算法[J].软件.2019
[2].张龄之.基于演化算法的多目标优化问题研究[D].江南大学.2017
[3].李晓靖,卢青波.基于差异演化算法的V带传动多目标优化设计[J].机械传动.2013
[4].胡长远,唐和生,薛松涛,苏瑜.桁架结构多目标优化的微分演化算法[J].燕山大学学报.2013
[5].卢青波,张学良,温淑花,兰国生,刘丽琴.基于差异演化算法的动压滑动轴承多目标优化[J].农业机械学报.2013
[6].王艳辉.基于进化多目标优化的演化聚类及其应用研究[D].西安电子科技大学.2012
[7].卢青波,张学良,温淑花,兰国生,刘丽琴.基于差异演化算法和多属性决策的机电系统可靠性多目标优化设计[J].工程设计学报.2011
[8].李志杰.演化计算在多目标优化问题中的应用[J].科技创业月刊.2011
[9].宋中山,陈建国,郑波尽.一种多项指标全提升的多目标优化演化算法[J].中南民族大学学报(自然科学版).2011
[10].夏学文,熊曾刚,李元香,朱继祥.模拟电路的多目标优化与演化设计[J].计算机工程与应用.2010