检索结果-内蒙古大学图书馆

计算机工程与设计 2015年第2期36卷 507-513页

作者：尤嘉兴陈基漓董明刚桂林理工大学信息科学与工程学院广西桂林541004 桂林理工大学广西空间信息与测绘重点实验室广西桂林541004

为保证在动态环境中及时跟踪到最新的真实Pareto前沿,保持解集的均匀性,提出一种基于档案交叉的动态多目标粒子群优化算法。着重利用保存在外部档案的最新非劣解,对这些非劣解进行交叉操作以增加种群的多样性,促进档案中个体信息的交流... 详细信息

为保证在动态环境中及时跟踪到最新的真实Pareto前沿,保持解集的均匀性,提出一种基于档案交叉的动态多目标粒子群优化算法。着重利用保存在外部档案的最新非劣解,对这些非劣解进行交叉操作以增加种群的多样性,促进档案中个体信息的交流;提出一种高效的欧氏拥挤距离策略,并将其应用于对外部档案的维护;修改粒子群算法模型使之更适用于动态多目标优化。实验结果表明,该算法能适应动态环境,快速跟踪动态Pareto面,解集均匀性良好。

关键词：粒子群优化动态多目标优化外部档案拥挤距离交叉

来源：评论

学校读者我要写书评

暂无评论

概率驱动的动态多目标多智能体协同调度进化优化

引用

计算机应用 2024年第5期44卷 1372-1377页

作者：刘晓芳张军南开大学人工智能学院天津300350

在多智能体系统中,协作任务往往动态变化,且存在多个冲突的优化目标,因此动态多目标多智能体协同调度问题已经成为亟须解决的关键问题之一。针对动态环境下多智能体协同调度需求,提出了概率驱动的动态预测策略,旨在有效利用历史环境概... 详细信息

在多智能体系统中,协作任务往往动态变化,且存在多个冲突的优化目标,因此动态多目标多智能体协同调度问题已经成为亟须解决的关键问题之一。针对动态环境下多智能体协同调度需求,提出了概率驱动的动态预测策略,旨在有效利用历史环境概率分布,预测决策解在新环境的概率分布,从而生成新的多智能体调度方案,实现调度算法在动态环境下的快速响应。具体来讲,设计了基于元素的概率分布表达,以表示解的构成元素在动态环境的适应性,并根据优化算法迭代最优解逐步更新概率分布以趋近实际分布;构建了基于融合的概率分布预测机制,考虑到环境变化的连续性和相关性,当环境变化时,通过融合历史概率分布预测新环境的概率分布,为新环境优化提供先验知识;提出了基于启发式的新解采样机制,结合概率分布和启发式信息,生成解方案以更新过时种群。将概率驱动的动态预测策略嵌入新型的多目标进化算法,获得概率驱动的动态多目标进化算法。在10个动态多目标多智能体协同调度问题实例上,实验结果表明,所提算法在解最优性和多样性上显著优于已有多目标进化算法,所提的概率驱动的动态预测策略能够提高多目标进化算法对动态环境的适应能力。

关键词：动态多目标优化粒子群优化进化计算多智能体协同调度概率驱动

来源：评论

学校读者我要写书评

暂无评论

基于投影映射的动态多目标粒子群优化算法

引用

计算机仿真 2016年第12期33卷 233-238,423页

作者：陈兵华尤嘉兴陈基漓董明刚桂林理工大学信息科学与工程学院广西桂林541004 厦门市酷游网络科技有限公司福建厦门361003

为保证在动态环境中及时跟踪到最新的真实Pareto前沿,针对基于拥挤距离的档案维护策略时间复杂度过高的问题,提出一种采用投影映射的动态多目标优化算法。上述算法利用投影映射的密度估计方法较精准快速地估算档案中解的密度;采用了ε-... 详细信息

为保证在动态环境中及时跟踪到最新的真实Pareto前沿,针对基于拥挤距离的档案维护策略时间复杂度过高的问题,提出一种采用投影映射的动态多目标优化算法。上述算法利用投影映射的密度估计方法较精准快速地估算档案中解的密度;采用了ε-支配弱化传统的Pareto占优以使非劣解达到均匀分布;引入了对新环境下Pareto解的预测,加快了算法的收敛进程;提出了一种种群-领导集-档案的三层结构,使得算法在动态环境下的多目标优化中表现良好。实验结果表明,改进算法能适应动态环境,快速跟踪动态Pareto面,且解集收敛性及均匀性良好,有效降低了档案维护的时间复杂度。

关键词：投影映射动态多目标优化粒子群种群-领导集-档案

来源：评论

学校读者我要写书评

暂无评论

基于预测的动态多目标进化优化

基于预测的动态多目标进化优化

引用

作者：荣淼中国矿业大学

学位级别：博士

生产和生活中的很多问题可以归结为动态多目标优化问题,如电力系统资源管理、金融资产配置、救灾机器人路径规划、无线自组织网路由选择、车间流水调度等。受生产工况或运行环境等因素的影响,这些问题的目标函数或/和约束条件往往含有... 详细信息

生产和生活中的很多问题可以归结为动态多目标优化问题,如电力系统资源管理、金融资产配置、救灾机器人路径规划、无线自组织网路由选择、车间流水调度等。受生产工况或运行环境等因素的影响,这些问题的目标函数或/和约束条件往往含有与时间相关的变量。解决这类问题的有效方法之一是动态跟踪,即检测问题变化之后,重新触发寻优过程,以快速、准确地找到新问题的最优解。预测作为动态跟踪的代表方法,从寻找变化的规律出发,旨在产生靠近甚至覆盖新问题真实最优区域的初始种群,提高优化方法跟踪问题变化的效率,被广泛应用于动态多目标优化问题求解中。尽管已有多种基于预测的动态多目标进化优化方法,但是,这些方法仅适用于最优解集平行移动的动态优化问题,难以求解最优解集旋转变化、复合变化甚至多变化组合的动态优化问题,也难以求解目标函数和约束条件均变化的动态优化问题,而这些问题是普遍存在的。针对上述不足,本文研究目标函数或/和约束条件变化的动态优化问题,提出求解这些问题的基于预测的动态多目标进化优化方法。首先,针对约束不变的动态多目标优化问题,提出基于多方向预测的动态多目标进化优化方法。该方法利用历史最优解在新问题的变化,确定Pareto最优解集聚类的个数;利用二分聚类方法,对Pareto最优解聚类,并确定每一类的中心;利用问题变化前后类中心的位置,基于时间序列模型,预测每一类的进化引导方向。这种多方向预测方法有效维持了问题变化后初始种群的多样性。将所提方法应用于9个动态优化问题,并与dNSGA-II、SGEA等常用动态优化方法比较。实验结果表明,该方法能够获得收敛和分布性能优越的Pareto最优解集。然后,针对上述动态多目标优化问题,提出基于多模型预测的动态多目标进化优化方法。该方法定义4种Pareto最优解集的变化类型,并给出每一类型的判定准则;利用关键点位置的变化,确定问题Pareto最优解集的变化类型;根据问题Pareto最优解集变化的类型,选择不同的方法预测问题变化后的初始种群。这种多模型预测方法有效提高了预测的针对性。将所提方法应用于11个动态优化问题,并与DMOPSO、PPS等常用动态优化方法比较。实验结果表明,该方法能够快速、准确地跟踪变化的Pareto最优解集。进一步,针对目标函数和约束条件均变化的动态约束多目标优化问题,提出基于预测和小生境的动态约束多目标进化优化方法。该方法利用Pareto最优解集检测问题约束的变化;利用自回归时间序列模型产生预测子种群,与基于差分变异产生的多样性保持子种群一起,共同构成兼顾分布、收敛和可行性的初始种群;利用小生境方法,引导种群向可行域进化。该方法有效解决了约束条件变化导致的不可行解问题。将所提方法应用于5个动态优化问题,并与C-TAEA、CH等常用约束优化方法比较。实验结果表明,该方法能够跟踪变化的受限Pareto最优解集。最后,将所提动态优化方法应用于机器人救援路径规划问题,建立该问题的动态约束多目标优化模型,并生成基于预测和小生境的路径规划策略。设计典型实验场景,并与dNSGA-II、DMOPSO比较。实验结果表明,所提方法产生的路径能够快速响应问题的变化。上述成果针对不同类型的动态多目标优化问题,提出了有针对性的进化求解方法,这些成果丰富了动态多目标进化优化理论,提高了动态多目标进化优化方法的性能,为复杂动态多目标优化问题的求解提供了行之有效的途径,具有重要的理论意义和实用价值。本文总共有图19幅,表20张,参考文献118篇。

关键词：动态多目标优化进化算法预测动态约束处理路径规划

来源：评论

学校读者我要写书评

暂无评论

动态多目标协同进化优化理论与方法

动态多目标协同进化优化理论与方法

引用

作者：徐标中国矿业大学

学位级别：博士

动态多目标优化问题普遍存在于工业生产和日常生活中,该类问题具有多个相互冲突且随时间变化的目标函数,这些目标函数通常具有多模态特性,还可能包含不确定参数,此外,这类问题决策变量的维数也可能随时间变化,从而大大增加了问题求解的... 详细信息

动态多目标优化问题普遍存在于工业生产和日常生活中,该类问题具有多个相互冲突且随时间变化的目标函数,这些目标函数通常具有多模态特性,还可能包含不确定参数,此外,这类问题决策变量的维数也可能随时间变化,从而大大增加了问题求解的难度。如果直接应用传统的多目标优化方法求解动态多目标优化问题,那么,由于缺乏有针对性的问题变化检测及响应机制,问题的求解效果难以满足需求。鉴于此,本文针对不同类型的动态多目标优化问题,研究高效的问题变化检测及响应策略,提出4类动态多目标进化优化方法,并应用于实际问题的求解。首先,针对传统的动态多目标优化问题,提出基于时间依赖分析的动态多目标合作型协同进化优化方法。该方法基于决策变量与时间的依赖性分析,将决策变量分为两组,即时间依赖决策变量和时间无关决策变量;针对不同组的决策变量,采用不同的子种群协同优化;当问题变化时,分别采用差分预测和柯西变异,预测这两组变量在下一时刻的初始进化种群,以生成新问题的高质量初始解。将所提方法应用于7个基准优化问题中,并与3种经典算法比较。实验结果表明,所提方法解决可分问题时具有更好的性能。然后,针对区间参数随时间变化的动态多目标优化问题,提出基于区间相似度的动态区间多目标协同进化优化方法。该方法基于区间相似度,判定决策变量与区间参数的相关性,基于此,将决策变量分为参数依赖决策变量和参数无关决策变量,针对不同组的决策变量,采用不同的子种群协同进化;给出基于区间相似度的问题变化检测策略;当问题变化时,分别采用基于问题变化程度自适应调整步长的方法和扰动法,生成这两组变量在下一时刻的初始种群。将所提方法应用于8个基准优化问题测试中,并与5种经典方法比较。实验结果表明,所提方法在提高收敛和多样性的同时,有效降低了解的不确定度。接着,针对动态多模态多目标优化问题,提出基于决策变量贡献分析的动态多目标进化优化方法。该方法依据对目标函数的贡献,将决策变量分为收敛和分布型决策变量,并基于进化过程获取的信息,分别更新收敛和分布保存集;当问题变化时,对于收敛型决策变量,采用多方向预测,生成下一时刻的初始种群,以提高种群在目标空间的收敛性能;对于分布型决策变量,采用小生境技术,维持种群在决策空间和目标空间的多样性。将所提方法应用于6个基准优化问题测试中,并与4种经典方法比较。实验结果表明,所提方法在追踪问题多重最优解方面具有更优的性能。此后,针对决策变量变化的动态多目标优化问题,提出基于决策变量自适应分组的多目标协同进化优化方法。该方法根据最大互信息系数,将决策变量分为若干组,使得不同组间决策变量的相关性弱,而同一组内决策变量的相关性强,针对不同组的决策变量,采用不同的子种群协同进化;当问题的决策变量变化时,根据变化的决策变量与已有分组的相关性,调整决策变量分组。将所提方法应用于8个基准优化问题测试中,并与5种经典方法比较。实验结果表明,所提方法解决很多基准优化问题的性能优于对比算法。最后,将提出的动态多目标进化优化方法应用于求解多期证券投资组合问题,给出该问题的最优投资组合策略。为此,建立以预期收益率和风险损失率为目标函数的区间参数动态多期证券投资组合优化模型,并采用基于区间相似度的动态区间多目标协同进化优化方法,求解建立的优化模型,得到多个最优投资组合策略。与传统求解方法所得投资组合策略的对比结果表明,采用本文的方法,能够在相同风险下为投资者提供更高收益的投资组合,或者在相同收益率下,投资组合风险更低。上述成果丰富了动态多目标进化优化理论,提高了动态多目标进化优化方法的性能,并为实际动态多目标优化问题的高效求解提供了可资借鉴的途径,具有重要的理论意义和实用价值。本文总共有图21幅,表26张,参考文献132篇。

关键词：动态多目标优化协同进化变化检测响应策略多期证券投资

来源：评论

学校读者我要写书评

暂无评论

混沌系统动态多目标免疫优化算法及其应用

引用

计算机仿真 2009年第6期26卷 207-211,262页

作者：钱淑渠武慧虹安顺学院数学系贵州安顺561000 云南大学数学系云南昆明650091

生物免疫系统的自适应学习、免疫记忆、抗体多样性及动态平衡维持等功能,提出一种动态多目标免疫优化算法处理动态多目标优化问题。算法设计中,Logistic映射产生混沌抗体群;利用抗体的被控度和抗体拥挤距离设计抗体的亲和力;借助控制概... 详细信息

生物免疫系统的自适应学习、免疫记忆、抗体多样性及动态平衡维持等功能,提出一种动态多目标免疫优化算法处理动态多目标优化问题。算法设计中,Logistic映射产生混沌抗体群;利用抗体的被控度和抗体拥挤距离设计抗体的亲和力;借助控制概念将群体分为非控群和被控群,再分别对其施行不同方式的突变增强群体的多样性;利用免疫记忆、Average linkage聚类方法,设计外部集和记忆集分别保存非控个体和亲和力较高抗体,所获的记忆细胞参与相似或相同环境初始抗体群的生成;借助三种不同类型的动态多目标优化测试问题,通过与两种最新的动态多目标进化算法及一种动态多目标克隆选择算法比较,数值实验论证了所提出算法在动态跟踪Pareto面的速度和执行效果上较其它算法优越。

关键词：动态多目标优化混沌系统动态跟踪免疫优化算法

来源：评论

学校读者我要写书评

暂无评论

基于新型鲁棒性定义的鲁棒动态多目标进化优化方法

基于新型鲁棒性定义的鲁棒动态多目标进化优化方法

引用

作者：杨振中国矿业大学

学位级别：硕士

现实生活中,许多优化问题存在多个相互冲突的目标,而且这些目标或约束会随着时间而动态发生改变。为解决一类具有环境变化参数的动态多目标优化问题,研究人员常采用跟踪环境变化的优化方法。即在探测到环境发生动态变化时,触发新一轮多... 详细信息

现实生活中,许多优化问题存在多个相互冲突的目标,而且这些目标或约束会随着时间而动态发生改变。为解决一类具有环境变化参数的动态多目标优化问题,研究人员常采用跟踪环境变化的优化方法。即在探测到环境发生动态变化时,触发新一轮多目标进化优化过程,利用之前的环境时变历史信息预测全部或部分初始种群,采用具有更好多样性的进化策略来增加种群多样性,确保在有限时间内找到逼近当前真实Pareto前沿的最优解。这种重新触发进化机制,往往在具有复杂的目标函数评价,或者环境变化较快的一类动态多目标优化问题中,不能找到令人满意的Pareto解。针对该问题,研究人员给出了基于时间的鲁棒解定义,旨在找到一组Pareto鲁棒解,使其以一定适应度满意阈值,可以用于多个连续动态变化环境中。但是,已有的Pareto鲁棒解定义,是针对每个个体计算其鲁棒性能,没有从Pareto前沿面来整体考虑Pareto解集的鲁棒性。当相邻动态环境下的Pareto前沿存在交叉、凹凸变化,或者分布均匀性发生变化时,已有鲁棒性定义会出现评价偏差。为此,本文提出了一种新型的鲁棒性定义,并在此基础上,给出了相应的鲁棒动态多目标进化优化算法。首先,为了准确的衡量所求出Pareto解的鲁棒性能,借鉴已有的集合评价思想,将整个Pareto前沿作为一个整体进行考虑,采用Pareto前沿的超体积来描述其解的鲁棒性能。基于上述超体积鲁棒性定义,采用传统MOEA/D算法,构建了基于超体积的鲁棒动态多目标进化优化算法。通过9个标准测试函数的仿真实验,表明该算法能够找到满足未来多个连续动态环境下的Pareto鲁棒解,而且该算法能够在满足收敛性,分布性的前提下得到鲁棒性较优的Pareto解。其次,基于超体积的新型鲁棒性定义,并不能直观反映每个个体的进化对Pareto解整体性能的影响。为了将鲁棒性能带入到种群进化过程中,本章给出个体贡献度的概念,用于分析每个个体对Pareto解鲁棒性能的影响。进而,构建了基于固定时间窗的平均超体积值和生存时间两个转化模型。依靠这两个模型对Pareto解集的鲁棒性能进行刻画。另外,还给出了三种预测方法,用于估计未来动态时刻下Pareto解的目标值。8个测试函数的实验结果表明,所提算法可以得到鲁棒性能更好的解,并且证明了AR预测方法与RPOOT算法结合的效果更好。再次,基于个体贡献度的鲁棒性评价方法,虽然可以成功的利用鲁棒性能引导个体进化,但是也存在计算代价大的缺陷。于是,将多种群分割的方法引入到上述问题求解中。将种群按照目标空间位置分割为多个子种群。采用基于超体积方式来度量每个子种群的鲁棒性,进而将子种群的鲁棒性能评价,转化为约束优化模型。8个测试函数的实验结果进一步证明了基于多种群的鲁棒动态多目标进化优化方法,不仅可以得到鲁棒性能优秀的结果,还能够进一步的降低计算代价。上述的研究成果不仅丰富了动态多目标鲁棒优化算法理论,同时也求解动态多目标优化问题提供了新的研究思路。

关键词：动态多目标优化进化算法鲁棒评价模型多种群

来源：评论

学校读者我要写书评

暂无评论

动态环境下多目标进化优化的预测和保持种群多样性策略研究

动态环境下多目标进化优化的预测和保持种群多样性策略研究

引用

作者：彭舟湘潭大学

学位级别：硕士

进化计算是基于自然选择和遗传等生物进化机制的一种迭代式搜索算法,是以达尔文的进化论思想为基础,通过模拟生物进化过程与机制的自组织、自适应的人工智能技术。进化算法已经在多目标优化领域得到了成功的应用,但大多数的研究主要局... 详细信息

进化计算是基于自然选择和遗传等生物进化机制的一种迭代式搜索算法,是以达尔文的进化论思想为基础,通过模拟生物进化过程与机制的自组织、自适应的人工智能技术。进化算法已经在多目标优化领域得到了成功的应用,但大多数的研究主要局限于静态多目标优化问题。然而在现实生活,广泛地存在许多动态多目标优化问题(dynamic multi-objective optimization problems,DMOPs),这些问题中不仅存在多个相互冲突的目标,同时受环境的影响,目标和参数等都可能处于动态变化之中,如何使得种群能快速跟踪动态环境变化,及时搜索到新的最优解集是求解DMOPs的主要难点。目前国内外对动态多目标进化算法的研究尚处于起步阶段,研究者们在静态算法的基础上设计了一些新的方法来求解DMOPs,随机初始化、超变异、记忆、预测等策略已被研究者们证实是几种比较好的求解DOMPs的方法。然而,随着DMOPs的日益发展,这些方法也存在很多缺陷,主要表现在以下几个方面。首先,随机初始化、超变异、动态迁移等策略都是一种盲目的增加种群多样的方法,并不具备正确的指导性,当遇到较为复杂的DMOPs,收敛效果并不理想。其次,通过记忆复用以前搜索到的最优解来对新的环境变化做出快速响应,这对于周期性变化的问题能取得不错的效果,而对于非周期性变化的问题或者在第一个周期变化的环境下,种群仍处在盲目进化过程中,算法难以获得较好的收敛性。最后,通过预测模型预测产生新的最优解集,能帮助算法对新变化做出快速响应,然而预测的准确性是其最主要的难点,需要我们设计符合环境变化规律的精准的预测模型。本文在研究分析了国内外动态多目标进化算法现状的基础上,提出了一种新的求解动态多目标优化问题的预测策略及一种预测与记忆相结合的双重策略,并提出了一种基动态环境进化模型的种群多样性保持策略。本文提出了一种基于引导个体的预测策略(Prediction Strategy based on Guide-Individual,GIPS)来求解DMOPs。该策略利用种群在新环境下自身的进化能力,预先进化一小段时间后产生可供预测的进化方向,通过引导个体的产生机制,实现对最优解集的潜在区域的预测。在七个传统的标准测试问题以及五个新测试问题上,将该策略与其它两种预测策略进行对比分析,实验结果表明,GIPS具有更快地响应环境变化的能力。本文提出了一种预测与记忆相结合的双重策略(Novel prediction and memory strategies,PMS)来求解DMOPs。该策略将基于种群进化方向的探索策略和基于解集关联性的开采策略相结合,同时引入基于最优解集的记忆策略,使算法能有效地求解具有不同变化规律的DMOPs。与其它三种策略在一系列经典测试问题上进行比较分析,实验结果表明PMS能获得收敛性和分布性更好的解集。最后,本文从动态环境进化的思路出发,提出一种基于动态环境进化模型的种群多样性保持策略(A population diversity maintaining strategy based on dynamic environment evolutionary model,DEE-PDMS),该策略通过网格技术模拟动态环境,利用进化环境记录种群进化过程中产生的知识信息,并反过来指导种群搜索,帮助种群适应新环境,从而构建一个动态环境进化模型,实现环境与种群的共同进化。

关键词：进化算法多目标优化动态多目标优化预测记忆引导个体动态环境进化模型

来源：评论

学校读者我要写书评

暂无评论

基于预测选择的动态多目标变邻域免疫优化算法

基于预测选择的动态多目标变邻域免疫优化算法

引用

作者：聂希彤北京邮电大学

学位级别：硕士

在智能算法领域,进化算法在求解最优化问题上已经取得丰硕的研究成果,群智能算法,如粒子群算法、蚁群算法等也同样取得了突出的成就。由自然界免疫系统为基础发展起来的人工免疫算法,在求解优化问题的最优解上突显出其优越性。本文将采... 详细信息

在智能算法领域,进化算法在求解最优化问题上已经取得丰硕的研究成果,群智能算法,如粒子群算法、蚁群算法等也同样取得了突出的成就。由自然界免疫系统为基础发展起来的人工免疫算法,在求解优化问题的最优解上突显出其优越性。本文将采用新颖的基于预测选择的变邻域免疫优化算法来求解动态多目标优化问题。动态多目标优化问题,普遍存在于科学研究与工程实践中,属于基础性的优化问题,具有广泛的应用前景和研究意义。它的求解需要考虑到多个目标函数的解之间的彼此冲突问题,也需要考虑到目标函数和约束函数是有可能随着时间的变化而发生变化的情况,即最优帕累托解有可能会随着时间的变化而发生改变。目前,大多数动态多目标优化问题的算法,是在一些较为成功的静态的多目标优化算法的基础上,采用一个辅助策略,例如随机初始化种群重启算法,来应对环境的变化,此方法虽然可以求得最优解集,但是与此同时,却增加了算法的随机性,降低了算法的收敛速度。也有一些算法采用一个预测算法在环境发生变化的时候对新环境的最优解进行预测,但是预测算法单一,会存在一定的局限性。本文主要围绕着基于预测选择的动态多目标变邻域免疫优化算法所展开,主要的内容如下:首先,研究了动态多目标优化问题,以及该问题的数学模型、相关概念和定义和目前国内外的研究现状,并且根据调研,得出设计求解动态多目标优化问题算法的基本框架和流程。其次,提出了新颖的基于预测选择的变邻域免疫优化算法,由此来求解动态多目标优化问题。算法中主要包含了三种预测模型,并且引入了超启发式算法的思想来对三个预测模型进行选择,每一次环境发生变化时,较大概率的选择目前预测效果最优,较能代表环境变化趋势的预测算法,对种群进行初始化。在两个环境变化之间的静态环境,使用结合了免疫网络排序和变邻域策略的免疫优化算法作为主体算法求解。最后,介绍了动态多目标优化问题的两个基准测试函数集和算法性能评价指标,并使用所提出的算法在测试函数集上运行,得到实验结果,使之与不同的算法所得到的实验结果进行对比分析,验证本文提出的算法所求得的帕累托解的正确性、分布性和均匀性。综上所述,本文主要包含三个创新点:1、将灰色预测方法引入到了动态多目标问题;2、提出了结合超启发式算法的思想的预测选择算法;3、提出了变邻域免疫优化算法,并使其结合预测选择算法来求解动态多目标优化问题的算法。最终经过实验验证,本文提出的基于预测选择的动态多目标变邻域免疫优化算法取得了较好的研究成果。

关键词：动态多目标优化预测算法超启发式思想免疫网络排序变邻域免疫优化算法

来源：评论

学校读者我要写书评

暂无评论

动态多目标云服务组合优化方法研究

动态多目标云服务组合优化方法研究

引用

作者：徐芯华北水利水电大学

学位级别：硕士

云服务组合旨在通过聚合多个功能单一的候选服务,构建功能更加强大且应用场景更为广泛的复合服务,以满足用户的复杂需求。在一些实际的云服务组合场景中,候选服务资源、用户目标以及用户偏好通常具有动态变化的特性,这种场景下的云服务... 详细信息

云服务组合旨在通过聚合多个功能单一的候选服务,构建功能更加强大且应用场景更为广泛的复合服务,以满足用户的复杂需求。在一些实际的云服务组合场景中,候选服务资源、用户目标以及用户偏好通常具有动态变化的特性,这种场景下的云服务组合优化问题属于典型的动态多目标优化问题。云服务组合环境与用户偏好信息的多样化与动态性极大地降低了云服务资源利用率与用户满意度。然而,现有的云服务组合优化方法难以针对环境与用户偏好的变化做出有效的响应。因此,在复杂的网络环境下,开展基于动态多目标的云服务组合研究具有重要的理论意义与应用价值。近年来,国内外研究学者针对云服务组合开展了广泛深入的研究工作,并取得了一定的研究成果。然而,现有的研究工作主要面向理想环境下的云服务组合,提出的云服务组合优化方法无法有效解决由于环境变化而导致的云服务组合方案非最优或不可用等问题。同时,已有的云服务组合研究主要聚焦于服务质量(Quality of Service,Qo S)的优化,没有将用户偏好考虑在内,更无法感知用户偏好的变化。因此,在满足用户功能性与非功能性需求的前提下,主动感知云服务组合环境与用户偏好的变化,并根据具体变化对云服务组合方案进行动态优化,已成为服务计算领域亟需解决的问题。为此,本文针对云服务组合环境以及用户偏好的动态性,对动态多目标的云服务组合优化问题开展了深入的研究。本文具体的研究内容如下: (1)针对环境动态变化的云服务组合优化问题,本文提出了一种基于改进社会学习优化算法(Social Learning Optimization Algorithm,SLO)的动态多目标云服务组合优化方法。该方法首次考虑了云服务组合环境动态变化的情况。首先,构建了动态多目标云服务组合优化问题模型,明确了云服务组合环境动态变化的情况;其次,设计了一种环境变化检测与响应策略,将预测机制与多样性引入机制相结合,以较好地在收敛性与多样性之间取得平衡;最后,将环境变化检测与响应策略嵌入到改进的动态多目标SLO算法中,形成了一种面向动态多目标云服务组合优化问题的求解方法。 (2)针对用户偏好动态变化的云服务组合优化问题,本文提出了一种偏好感知的动态多目标云服务组合优化方法。首先,针对用户偏好的动态性,设计了一种基于偏好区域的动态偏好感知策略,依据云服务组合方案与用户感兴趣区域(Region of Interest,ROI)的接近程度将种群划分为不同等级的子种群,从而实现对用户偏好的主动感知;其次,将感知到的用户偏好与原有偏好进行对比,判断用户偏好是否发生变化,若发生变化,则依据新偏好信息调整偏好区域并进行优化;最后,基于子种群之间的等级关系,提出了一种基于偏好等级的支配关系,并根据此支配关系改进了SLO算法,有效引导种群向用户ROI方向进化,从而实现偏好感知的动态多目标云服务组合优化。

关键词：服务组合 QoS 动态多目标优化社会学习优化算法偏好感知

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：