导读:本文包含了进化多目标优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:差分进化算法,冷热电叁联供,多目标优化,储能
进化多目标优化算法论文文献综述
仇中柱,吴聪聪,郑雨柔,陈建康,姚远[1](2019)在《基于差分进化算法的分布式能源系统多目标优化》一文中研究指出分布式能源系统设备类型较多,且影响因素繁杂,各种设备的容量配置是整个系统运行效益好坏的关键。为了避免传统分布式冷热电叁联供系统设计中偏离实际工况、负荷率偏低、效率低下等问题,以某商务区为对象,将分布式能源系统设备容量的最优化问题转化为以年总成本和年排放量综合最低的多目标数学模型,在对比多种常见智能算法后,选择具有强大全局巡优能力的差分进化算法进行求解,获得优化配置方案。计算结果表明,与冷热电分供能系统进行对比,通过差分进化算法进行最优化配置后的分布式能源系统具有显着的优越性和可行性,系统结构设计、能源价格,均会对系统最优化结果产生影响。(本文来源于《科学技术与工程》期刊2019年32期)
喻宏伟,关新,阮鹏,魏诗萌,刘德华[2](2019)在《基于改进微分进化算法的微网多目标优化的研究》一文中研究指出针对含多种微电源的微网模型,其中包括SO2、CO2和NOx的排放成本以及运行维护费用,利用改进微分进化算法搜寻最优解,并为达到更强的搜寻能力和收敛速度,在各个阶段使用不同的变异策略。仿真结果表明,该方法的确有利于微电网优化运行。(本文来源于《电气时代》期刊2019年09期)
周昕,王学武,顾幸生[3](2019)在《基于约束化和差分进化的多目标优化算法》一文中研究指出基于分解的多目标优化方法是目前多目标优化算法中的一个热点。传统的标量分解方法求出的改进区域可能过大而导致一个新解被几个原始解替代,进而造成种群多样性的恶化。为改善这种状况,本文提出一种约束化的分解方法CDMOEA/D-DE通过制定约束优化子问题的控制参数来定义相应的改进区域的范围。同时根据Pareto前沿的几何形状生成的新解结合广义分解法对权重向量进行自适应调节,提高算法的性能,达到平衡种群的多样性和收敛性的目的。算法仿真与MOEA/D、MOEA/D-DE以及NSGA-III的比较结果表明,该算法在一定程度上提高了种群的收敛性及多样性,在处理复杂形状Pareto前沿的多目标优化问题具有优势。(本文来源于《第叁十八届中国控制会议论文集(7)》期刊2019-07-27)
池金龙[4](2019)在《基于进化多目标优化的压缩感知信号重构算法研究》一文中研究指出信号处理在科学技术发展过程中占据重要的地位,而信号采样是信号处理中必不可少的环节。在大数据背景下,人们对于信号处理技术的要求日益增高,基于传统奈奎斯特采样定理已经满足不了对海量数据处理技术的要求。压缩感知(Compressed Sensing)理论突破了奈奎斯特定理的限制进而得到突飞猛进的发展,它为信息处理领域提供了一种全新的思路。该方法不是对原始信号进行高速采样,而是直接对信号中的信息进行采样以克服现实信号超带宽的问题。在处理过程中,压缩感知将采样和压缩同时进行,极大的减少了终端设备的存储和传送开销,最后通过一系列优化方法以少量的采集信息精确重构出原始信号。压缩感知理论中信号的稀疏表示、观测矩阵构造和重构算法的设计一直以来都是研究的重点内容。信号重构算法的设计是直接决定压缩感知系统成败的最后一步,所以本文主要对信号重构算法进行了深入研究,主要是为了提出一种重构精度更高,性能更好的重构算法。主要的工作包括:1、本文对压缩感知重构算法进行了深入研究,通过阅读大量文献,对现有的重构方法进行了全面梳理。针对利用惩罚函数法进行重构求解时需要引入权重参数而使得重构效果剧烈变化的问题,为此,本文主要围绕如何解决此问题而展开探索。2、针对惩罚函数法中通常使用一个正则化参数将测量误差项和稀疏项聚合成单目标函数,很难实现两个目标的均衡优化这一问题。为此,本文将测量误差项和稀疏约束项分别作为一个优化目标函数,通过建立多目标模型避免权重参数的引入,从根本上解决了调整权重参数这一繁重的任务。3、为了解决上述多目标问题,本文提出了一种自适应局部搜索进化多目标算法(Adaptive local search evolutionary multi-objective,ALSEMO),该算法设计了基于L_1范数和L_(1/2)范数两个局部搜索方法来提升每个解的质量,从而获得当前近似最优解。另一方面,为了充分利用两个解的信息以保持解的多样性,还提出了一种个体竞争方法和一种自适应方法,从而保证解的全局最优。4、通过实验证明了本文方法的可行性,并在信号重构误差上与其它九种算法进行了比较,突出了本文算法的优势。(本文来源于《湘潭大学》期刊2019-06-03)
李进[5](2019)在《基于进化算法的约束多目标优化问题研究》一文中研究指出在实际生活中,存在着数量可观的多目标优化问题,这类问题往往需要同时优化多个目标,且伴随着许多不同性质的约束条件。在解决该问题的众多算法中,多目标进化算法凭借其较强的鲁棒性、全局搜索等优点被广泛应用,因此也引起了越来越多的学者进行研究。由于约束条件的存在,进化算法需要合理的利用进化过程中产生的可行解和不可行解的信息,引导种群跳过不可行域向最优前沿进化,避免出现陷入局部最优的情况,以此获得较好的收敛性和分布性。因此,本文基于进化算法,选择两种具有代表性的约束处理技术,对算法的收敛性和分布性展开研究。主要研究内容包括以下叁个方面:第一,针对种群寻优过程中出现收敛性和分布性不平衡的问题,提出一种自调节算子及自适应?截断的NSGA-Ⅱ算法。与经典的交叉操作不同,该方法采用正态分布交叉算子,使得算法在具有更广阔搜索空间的情况下,获得较为均匀的子代取值概率,大大减少算法陷入局部最优的情况,起到改善种群多样性的作用。再通过自适应变异算子,建立起变异值与目标函数值之间的联系,根据进化的程度对变异率进行调整,提高算法的收敛性。最后,通过自适应?截断策略,在算法前期引入部分约束违反度较小的不可行解,增加种群的多样性;而在算法后期,?值减小至0,此时种群中个体全部为可行解,促进种群的收敛。以这些策略有效的调节算法的收敛性和分布性。第二,针对以往约束优化算法对优势解和劣势解采用相同的策略,导致算法求解性能差的问题,提出一种两阶段叁存档集的约束优化算法。该方法采用叁个不同存档集来保存种群所产生的非支配解、支配解以及非支配可行解,通过对每个存档集采用不同的优化策略,使得每个存档集达到最优的搜索效率,减少算法进行不必要的交叉和变异。同时,有效的将最优不可行解所提供的信息作为进化方向,充当了算法的引导标志。通过在不同的约束测试函数上进行实验,验证了算法的可行性和有效性。第叁,将所提算法应用到旅行商问题以及车辆路径规划问题中。对于旅行商问题,由经典的路径最短单目标问题,扩展至路径最短和成本最小的多目标问题,同时还加入了软时间窗约束,形成了带软时间窗约束的多目标旅行商问题的新模型。结合本文所提的两阶段叁存档集算法求解Solomon标准测试集,验证了算法良好的性能。对于车辆路径规划问题,基于现实情况考虑,建立的模型为多目标多车辆路径模型,并且在软时间窗的约束条件基础上,增加了车辆超重限制及车辆支出成本限制。结合本文所提的自调节算子及自适应?截断的NSGA-Ⅱ算法求解车辆路径规划问题,验证了算法的有效性。(本文来源于《兰州理工大学》期刊2019-05-18)
郭伟[6](2019)在《大样本高维数据下基于进化多目标优化的特征选择算法研究》一文中研究指出特征选择作为机器学习和数据挖掘任务的重要数据预处理技术之一,其目的在于从原始特征中选择相关特征子集,以获得更好的预测结果,更低的计算成本和更好的模型解释性。然而,在实际应用中,如信息检索、生物特征识别中广泛存在大样本数据和高维数据给现有的特征选择算法带来巨大挑战。现有的特征选择算法将特征数和所选特征子集上的精度加权为一个目标,利用梯度法求解,虽然可以获得好的效果,但是需要有先验知识,并且要求优化函数是凸和光滑的。本文将特征数目和该特征子集上的精度作为两个独立的目标,以多目标的方式求解,并采用具有良好全局搜索能力的进化算法作为优化工具。本文针对性的提出了两种特征选择算法,分别用于解决大样本数据和高维数据下的特征选择问题。本文的主要工作包括以下两个部分:(1)大样本数据下的特征选择问题。由于样本数目大,导致计算代价昂贵。本文以训练数据量为O(n2)的Pairwise排序问题为例提出基于进化多目标优化的特征选择算法MOFSRank,该算法包括叁个策略:1、多目标实例选择策略:该策略从训练实例中选择具有代表性的实例,通过消除训练实例中可能存在的冗余数据,给后续的特征选择选取数目少、代表性强的实例;2、多目标特征选择策略:在上述工作的基础之上,同时为了进一步提升算法在特征选择中的性能,本文采用了一个自适应的变异概率,以得到排序精度高、冗余度低的特征子集;3、Pareto集成策略:该策略采用了一个混合集成思想,利用集成的思想,将策略2的所得Pareto最优集中的非支配个体加以集成,以产生更好的特征组合。实验结果表明,MOFSRank算法可以在选取较少特征的情况下达到很好的排序结果。(2)高维数据下的特征选择问题。由于存在巨大的搜索空间,需要大量的评价次数从而使优化过程付出巨大的计算代价。本文针对此问题提出基于进化多目标优化的指导模型算法GMA。该算法包括两个策略:1、自适应缩减策略:该策略可以快速剔除不相关和冗余特征,降低搜索空间。同时,实验结果表明当数据维度越高,其优势更为明显;2、指导模型预筛选策略:该策略利用已有的函数适应度值训练指导模型,并让指导模型帮助筛选种群个体,因此能减少真实评价次数,加速算法搜索。在多个高维数据集上的实验结果表明,GMA算法可以在高维数据集中,以较低的计算代价获得更好的特征子集。(本文来源于《安徽大学》期刊2019-05-01)
许冉[7](2019)在《求解两类复杂多目标优化问题的进化算法研究》一文中研究指出多目标优化问题广泛存在于科学研究和工程实践领域当中,目前已成为智能信息处理领域的研究热点。近年来,在优化领域中存在许多类型的优化算法解决多目标优化问题,其中由于进化算法具有全局性、并行性和高鲁棒性等特性,且在处理多目标优化问题上表现出良好的性能,因此以多目标进化算法为主的智能算法解决多目标优化问题已得到越来越多研究者的关注。多目标进化算法虽然已成为解决多目标优化问题的主流算法,但在处理复杂决策空间和包含约束条件的复杂多目标优化问题时仍有不足之处,因此本文针对上述两类复杂多目标优化问题提出了基于多算子集成的多目标进化算法和基于角度约束支配关系的多目标进化算法。本文工作内容分为如下两部分:(1)为了解决复杂决策空间的多目标优化问题,本文提出了一种基于多算子集成的多目标进化算法(EAMOE)。EAMOE设计一种基于子种群的多算子集成策略,通过对算子在不同优化阶段的性能进行评价,并自适应地调整子种群的规模,使算法充分应用算子并有效搜索决策空间。其中算法根据子种群的规模比例和适应值提升构建了算子性能评估指标,之后利用指标更新每个子种群,以奖励或惩罚算子的权重。通过与现有的多目标进化算法在UF测试函数上进行实验得到的结果对比表明,EAMOE算法具有良好的解决复杂决策空间多目标优化问题的能力。(2)为了解决含约束条件的多目标优化问题,本文提出了一种基于角度约束支配关系的多目标进化算法(C-ACEA)。C-ACEA设计了基于角度的约束支配关系和基于角度的密度评估策略。为了探索更多可行区域,角度约束支配关系被用于在环境选择阶段对种群进行非支配排序,并赋予良好多样性的不可行解与可行解相同的支配等级。同时在多样性维护过程中,基于角度的密度评估方法旨在为具有良好收敛性的不可行解提供保留下来的机会,从而有助于跨越较大的不可行区域。通过与现有约束多目标进化算法在CDTLZ和DCDTLZ测试函数集上进行实验得到的结果表明,C-ACEA在处理约束多目标优化问题上有一定的优势。(本文来源于《安徽大学》期刊2019-05-01)
付广龙[8](2019)在《基于进化多目标优化的不平衡二分类算法研究》一文中研究指出分类作为机器学习和数据挖掘的重要研究领域,一直受到研究者广泛的关注。其中,在分类问题中二分类问题研究的最为广泛。在二分类问题中,现有的很多算法大多关注的是平衡二分类。然而在实际应用中,收集到的数据通常在两个类别之间存在不平衡,这种情况被称为不平衡二分类问题。对此有很多学者对不平衡二分类问题进行了研究并提出了AUC等常见不平衡二分类评估准则。随着这些评估准则的出现使得不平衡二分类应用更加广泛,但是随着应用的推广,由于实际问题的特殊性也迎来了新的挑战。如行人检测,用户感兴趣的不是AUC,而是部分AUC(pAUC),传统方法以AUC为优化目标,这些方法难以直接优化pAUC;此外,像在生物领域中训练基因识别器时,训练样本中大部分是无标签样本,只有少量正样本,即PU学习。近年来,研究者提出了很多pAUC优化和PU学习算法,然而这些算法大多采用了传统优化技术,在算法中目标函数需要满足一定假设条件,例如凸或连续。近些年,进化算法作为一种元启发式算法,已成功地解决了许多复杂的优化问题,且有着良好并行性、较强全局搜索能力且不需要给定函数的假设条件。基于此,本文从进化算法角度提出了基于进化多目标优化的pAUC优化算法和基于进化多目标优化的PU学习算法,现将本文的主要工作和成果总结如下:(1)本文提出了基于进化多目标优化的pAUC优化算法(MOPA)。为了使算法更多地关注ROC曲线内的特定区域,MOPA算法主要分为以下两部分:首先由于pAUC关注的是部分的FPR,算法通过只关注前TOP-K的负样本提出了新的目标函数K-FPR;另外由于pAUC关注的是ROC曲线的部分区域,MOPA算法进一步又提出了基于偏好的参考点集策略,在搜索过程中充分考虑用户偏好信息。具体而言,算法在AR-MOEA的框架下进行,首先将AR-MOEA的原始参考点集(一组均匀分布的权重向量)进行初始化,即根据预先设定的偏好点,将权重向量映射到偏好点附近;接着在进化过程中利用基于带偏好的参考点来更新外部种群A和参考点R。实验结果表明,MOPA算法可以很好地解决pAUC优化问题。(2)本文提出了基于进化多目标优化的PU学习算法(MOP-PUL)。针对在训练中只有少量正样本和大量未标记样本的问题,提出将进化多目标优化与PU学习相结合,算法采用0-1编码,将PU学习转化为求解稀疏解问题,提出了一种基于欧式距离的初始化策略和基于自适应变异概率的个体更新策略,加快了算法收敛;同时为了解决传统目标函数对于真实标签依赖性,提出了新的两维目标函数来评估个体。具体而言:初始化时算法计算U中样本到P中样本的平均欧式距离,将距离值作为U中样本的适应度值,提出了基于欧式距离的初始化策略;进化过程中通过对历史信息的统计来动态调整每一位的变异概率,提出了基于自适应变异概率的个体更新策略,并使用新的目标函数评估个体。在基准数据集上与现有主流算法对比,实验证明MOP-PUL算法可以很好地解决PU学习问题。(本文来源于《安徽大学》期刊2019-05-01)
骆清国,赵耀,桂勇,刘红彬,帅刚[9](2019)在《基于多种群协同进化免疫多目标优化算法的百叶窗优化研究》一文中研究指出为降低空气流通阻力、增加空气流量以及获得最大的防护能力,对装甲车辆进气和排气百叶窗结构优化进行研究。建立装甲车辆进气和排气百叶窗数值计算模型,根据冷却系统工作特点搭建冷却风道半实物仿真模型,对比分析优化前的仿真结果和台架测试结果,并给出了优化目标函数表达式。为解决优化效率低、计算量大的问题,确定设计变量并建立设计变量与目标函数之间关系的椭圆基神经网络替代模型。通过分析目标函数随设计变量的变化规律,采用基于多种群协同进化免疫的多目标优化算法对模型进行优化,确定了最终解。利用自组织神经网络对样本点进行数据挖掘,找到了内在规律。研究结果表明,优化后的进气和排气百叶窗在提高防护能力的同时,提高了散热性能。(本文来源于《兵工学报》期刊2019年04期)
许飞[10](2019)在《基于进化多目标优化的多分类算法研究》一文中研究指出分类学习作为机器学习领域重要的分支之一,其应用涉及日常生活的多个领域,如疾病诊断、蛋白质检测、网络安全监测以及金融风险评估等;这些实际问题属于多分类问题,即每个样本只对应一个标签,且标签种类个数为两个以上。当前解决多分类问题的方法基本属于传统机器学习领域范畴,这些方法对于目标函数的设定需要满足一定的前提条件(如梯度下降法中连续凸函数,可导可微),而实际问题中这些前提条件并不满足。进化算法作为一种元启发式算法,其自身具有并行性、全局搜索能力以及对目标函数的设定无过多假设条件等,在多个复杂领域得到广泛的应用;此外,集成学习近年来受到众多研究者们的关注,并在机器学习领域取得了一些研究成果。基于此,本文从进化计算的角度出发,在多目标进化优化框架下,分别提出了基于一对多分解策略的多分类算法与基于一对一分解策略的集成学习多分类算法。下面是本文的主要工作总结:(1)提出了基于进化多目标优化的一对多多分类算法(MOVA)。该算法将训练样本与分类器模型参数用进行混合编码,然后通过多目标进化优化算法迭代得到Pareto前沿面上最优解集,每个解代表二分类子问题中多类样本的选择方式,为了提升在某些二分类子问题上的分类器模型性能,一种模型改进策略被提出,前提条件为分类器模型在训练集上的AUC(Area Under the receiver operating characteristic curve)值小于阈值参数,最后输出性能最优的分类器模型。在基准数据集上进行对比实验,结果表明MOVA算法具有一定的有效性。(2)在一对一分解策略下,提出了基于进化多目标优化的一对一集成多分类算法(MOPE)。该算法首先是利用种群初始化策略来提高初始种群的质量,在此基础上提出新的目标函数,由于目标函数之间的内在冲突,利用进化多目标优化算法进行迭代,以获得一组Pareto前沿面集合,最后对Pareto前沿面中的个体加以集成,该策略通过在Pareto前沿面上选取合适的个体进行集成以获得性能更优的分类器模型。本文提出MOPE算法在基准数据集上与经典的多分类算法进行对比,结果表明MOPE算法在解决多分类问题上具有一定的性能优势。(本文来源于《安徽大学》期刊2019-03-01)
进化多目标优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:
针对含多种微电源的微网模型,其中包括SO2、CO2和NOx的排放成本以及运行维护费用,利用改进微分进化算法搜寻最优解,并为达到更强的搜寻能力和收敛速度,在各个阶段使用不同的变异策略。仿真结果表明,该方法的确有利于微电网优化运行。
(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。
进化多目标优化算法论文参考文献
[1].仇中柱,吴聪聪,郑雨柔,陈建康,姚远.基于差分进化算法的分布式能源系统多目标优化[J].科学技术与工程.2019
[2].喻宏伟,关新,阮鹏,魏诗萌,刘德华.基于改进微分进化算法的微网多目标优化的研究[J].电气时代.2019
[3].周昕,王学武,顾幸生.基于约束化和差分进化的多目标优化算法[C].第叁十八届中国控制会议论文集(7).2019
[4].池金龙.基于进化多目标优化的压缩感知信号重构算法研究[D].湘潭大学.2019
[5].李进.基于进化算法的约束多目标优化问题研究[D].兰州理工大学.2019
[6].郭伟.大样本高维数据下基于进化多目标优化的特征选择算法研究[D].安徽大学.2019
[7].许冉.求解两类复杂多目标优化问题的进化算法研究[D].安徽大学.2019
[8].付广龙.基于进化多目标优化的不平衡二分类算法研究[D].安徽大学.2019
[9].骆清国,赵耀,桂勇,刘红彬,帅刚.基于多种群协同进化免疫多目标优化算法的百叶窗优化研究[J].兵工学报.2019
[10].许飞.基于进化多目标优化的多分类算法研究[D].安徽大学.2019