检索结果-内蒙古大学图书馆

东北大学学报（自然科学版） 2023年第10期44卷 1408-1415页

作者：李占山宋志扬花昀峤吉林大学软件学院吉林长春130012 吉林大学计算机科学与技术学院吉林长春130012 吉林大学资产管理处吉林长春130012

为了解决目前基于分解的多模态多目标优化算法存在种群搜索能力不足,子种群中存在无用解和距离度量不具有普适性等问题,提出了一种基于自适应搜索的多模态多目标优化算法MOEA/D-AS.首先,该方法通过减少平均子种群的个体数量,进而增加参... 详细信息

为了解决目前基于分解的多模态多目标优化算法存在种群搜索能力不足,子种群中存在无用解和距离度量不具有普适性等问题,提出了一种基于自适应搜索的多模态多目标优化算法MOEA/D-AS.首先,该方法通过减少平均子种群的个体数量,进而增加参考向量的数量.其次,根据子种群当前状态自适应分配子种群的个体数量.最后,使用引入了局部种群信息的清除距离作为维护子种群的依据.将提出的算法与4种算法在2019年CEC多模态多目标测试问题和大规模多模态多目标测试问题上进行对比实验,实验结果表明,提出的算法可以有效解决多模态多目标优化问题.

关键词：多模态多目标优化算法自适应搜索子种群局部信息清除距离

来源：评论

学校读者我要写书评

暂无评论

基于多模态多目标优化的端元束提取方法研究

引用

农业机械学报 2023年第7期54卷 234-242页

作者：林洁雯陈建罗婷文徐志搏自然资源部城市国土资源监测与仿真重点实验室深圳518000 自然资源部超大城市自然资源时空大数据分析应用重点实验室上海200063 中国农业大学工学院北京100083 深圳市智能微小卫星星座技术与应用重点实验室深圳518107 浙江大学能源清洁利用国家重点实验室杭州310027 浙江大学浙江省农业智能装备与机器人重点实验室杭州310058

为解决高光谱影像受传感器及分辨率的影响所产生的光谱变化给解混造成的困扰,提出基于多模态多目标优化的端元束提取方法(MOPSOSCD)。对高光谱图像进行标号编码,采用基于索引的环形拓扑结构进行邻域的个体交互,通过邻域最优改进粒子群... 详细信息

为解决高光谱影像受传感器及分辨率的影响所产生的光谱变化给解混造成的困扰,提出基于多模态多目标优化的端元束提取方法(MOPSOSCD)。对高光谱图像进行标号编码,采用基于索引的环形拓扑结构进行邻域的个体交互,通过邻域最优改进粒子群速度更新方式并整数化粒子位置更新。同时,根据高光谱图像空间特征,通过改进决策空间拥挤距离提高决策空间的多样性,再结合目标空间的拥挤距离进行综合排序,实现多模态多目标优化的粒子筛选。当粒子定向移动概率pm为0.2、粒子数P为30及迭代次数M为400时,算法在MUUFL数据集上均方根误差(RMSE)及平均光谱角距离(mSAD)分别为0.0088、0.1112。通过对比试验,本文方法相较于VCA、DPSO等方法具有更高的提取精度和效率,为高光谱解混提供了更加准确的端元束提取方法。

关键词：高光谱影像多模态多目标优化算法端元束提取光谱解混

来源：评论

学校读者我要写书评

暂无评论

一种基于分解的自适应子种群的多模态多目标算法

一种基于分解的自适应子种群的多模态多目标算法

引用

作者：宋志扬吉林大学

学位级别：硕士

多目标优化算法可以在目标空间中的得到优秀的解,但在决策空间内的收敛性和多样性无法得到保证。随着应用环境的越发复杂,多目标优化问题的参数因为问题具有现实意义而存在实际约束,比如时间长短、成本多少、取值是否方便等。而多模态... 详细信息

多目标优化算法可以在目标空间中的得到优秀的解,但在决策空间内的收敛性和多样性无法得到保证。随着应用环境的越发复杂,多目标优化问题的参数因为问题具有现实意义而存在实际约束,比如时间长短、成本多少、取值是否方便等。而多模态多目标优化问题需要获取目标空间中相同而在决策空间中不同的解,设计解决这类问题的算法可以让决策者根据实际约束选择更方便、更有实用性的解,因此解决多模态多目标优化问题具有极其重要的意义。在过去的十几年内,许多学者提出了不同的多模态多目标进化算法及改进。其中,基于分解的多模态多目标优化算法具有相当的潜力,但目前最先进的基于分解的多模态多目标算法的研究仍存在不足之处。例如,MOEA/D-AD算法中每个子问题中解的数量将会逐渐增长,它们大多数都是无用解。MOEA/D-MM算法通过给定子问题中解的数量,但不是每个子问题中的每个个体都能够达到理想状态。另外,他们使用的度量难以解决搜索空间巨大的问题,因为当种群分布稀疏时该度量无法准确反映决策空间的收敛性和多样性。针对以上不足,本文设计了一种基于分解的自适应子种群的多模态多目标算法(MOEA/D-Adaptive Search,MOEA/D-AS)。首先,MOEA/D-AS算法解决了当前基于分解的多模态多目标优化算法,普适性度量仅考虑了种群整体的分布,没有考虑每个参考向量引导的子种群的局部分布的情况。为此,本文引进了清除距离,该度量结合了种群的全局信息和局部信息,能够更科学评估每一个子种群的状态。其次,在使用清除距离这一改进的度量基础上,设计了自适应机制,动态分配资源、引导各个子种群在决策空间进行搜索。目前基于分解的多模态多目标优化算法的子种群都难以有效分配搜索资源,随着问题目标值、维度的增加,搜索空间指数性增加,算法效果往往较差。而自适应机制可以根据当前子种群中解的分布状态和整个种群的分布状态,找到当前有可能找到更优秀解的子种群,将搜索资源进行重新分配,提高了算法的搜索能力。最后,在算法的运行过程中,子种群的大小可能在不断变化,本文设计了相匹配的子种群维护机制和档案机制,防止优秀解的丢失,同时维护决策空间中种群的分布性。子种群的维护过程同时兼顾了子种群的分布性和收敛性,同时算法可以通过参数控制偏好,使得算法能够根据决策者不同的需求,选择不同的偏好。本文使用了公认的CEC 2019多模态多目标优化测试集和可自由调节的Multi-polygon测试集,与其他5种算法进行对比,以便全面检验算法性能。通过进一步分析,本文得出结论:MOEA/D-AS算法适合处理等价解数目较多的、具有复杂PS的、搜索空间较大、决策维度较多、目标数较多和等价解间距较大的问题,并且相对其他算法表现非常稳定、不易受到局部最优解影响。通过消融实验的对比分析,验证了清除距离的引入,大大提高了算法在决策空间的收敛性和多样性。最终表明相对于其他对比算法,MOEA/D-AS算法能够更有效的解决多模态多目标优化问题,与目前最先进的多模态多目标算法相比仍有竞争力。

关键词：多模态多目标优化算法自适应搜索子种群 MOEA/D 清除距离

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：