检索结果-内蒙古大学图书馆

第五届中国演化计算与学习研讨会(ECOLE 2018)

作者：梁静郑州大学

多模态多目标研究需要解决的主要问题主要是测试问题、评价指标和求解策略。本文测试问题集缺少分布不均匀PS，带有欺骗的PS等问题;评价指标目前只在低维空间表现良好，需设计适合高维空间的评价指标;现有算法对高维问题表现不够高，需... 详细信息

多模态多目标研究需要解决的主要问题主要是测试问题、评价指标和求解策略。本文测试问题集缺少分布不均匀PS，带有欺骗的PS等问题;评价指标目前只在低维空间表现良好，需设计适合高维空间的评价指标;现有算法对高维问题表现不够高，需要对决策空间距离计算重新定义;现有的算法是基于原始算法的改进，并未形成求解此类问题的方法框架，尚未提出能同时保留全局和局部PS的优化算法;后续应注重多模态多目标应用问题，如神经网络集成等;以及多模态多目标问题求解过程及结果的可视化。

关键词：多模态多目标优化进化计算评价指标空间距离

来源：评论

学校读者我要写书评

暂无评论

改进头脑风暴优化算法求解多模态多目标问题

引用

华中科技大学学报（自然科学版） 2024年第6期52卷 24-31页

作者：程适刘悦王雪萍靳红林陕西师范大学计算机科学学院陕西西安710119

针对多模态多目标优化中存在的所得等价解数量不足和决策空间多样性维护难的问题,提出了一种基于分区搜索和非支配特殊拥挤距离排序的差分头脑风暴优化算法.在算法中分区搜索将决策空间划分为多个子空间以降低搜索难度并维持种群多样性... 详细信息

针对多模态多目标优化中存在的所得等价解数量不足和决策空间多样性维护难的问题,提出了一种基于分区搜索和非支配特殊拥挤距离排序的差分头脑风暴优化算法.在算法中分区搜索将决策空间划分为多个子空间以降低搜索难度并维持种群多样性,k-均值聚类可以定位并维持多个帕累托最优解,非支配特殊拥挤距离排序可以同时考虑决策空间和目标空间的多样性,作为环境选择算子筛选解;将差分变异算子替代传统头脑风暴优化算法新个体生成算子以增强种群的多样性,帮助定位多个等价最优解.将该算法与其他5种智能算法在13个多模态多目标测试函数上进行实验,实验结果表明:基于分区搜索和非支配特殊拥挤距离排序的差分头脑风暴优化算法在11个测试函数上的性能优于其他5个算法,该优化算法能够尽可能多地在决策空间中找到多个等价帕累托最优解集,并且能保证在目标空间中具有良好的帕累托前沿分布.

关键词：多模态多目标优化头脑风暴优化算法多目标优化多模态优化群体智能

来源：评论

学校读者我要写书评

暂无评论

基于分区和多子种群的多模态多目标粒子群优化算法

引用

控制工程 2024年

作者：袁浩黄文焘姜庆超范勤勤上海海事大学物流研究中心上海交通大学电力传输与功率变换控制教育部重点实验室华东理工大学能源化工过程智能制造教育部重点实验室

寻找一个好的近似帕累托前沿和找到足够多的等效帕累托解是多模态多目标优化的两个重要目标。为此，提出一种基于分区和多子种群的多模态多目标粒子群算法(Multi-modal and multi-objective particle swarm algorithm based on zoning s... 详细信息

寻找一个好的近似帕累托前沿和找到足够多的等效帕累托解是多模态多目标优化的两个重要目标。为此，提出一种基于分区和多子种群的多模态多目标粒子群算法(Multi-modal and multi-objective particle swarm algorithm based on zoning search and multi-subpopulation，MMOPSO-ZSMS)。在MMOPSO-ZSMS算法中，为了降低搜索难度，采用分区策略对整个搜索空间进行划分以获得多个子空间；随后，在每个子空间中独立使用一种基于多子种群的多模态多目标粒子群算法对其进行搜索，从而找到更多有潜力的等效帕累托解。为测试所提算法性能，实验选取22个多模态多目标优化问题，并与七种多模态多目标算法进行比较。实验结果表明，相比于其它算法，MMOPSO-ZSMS算法不仅能够在决策空间找到更多的等效帕累托解，而且能够在目标空间找到多样性和逼近性好的帕累托前沿逼近。

关键词：多模态多目标优化进化计算分区搜索多子种群粒子群算法

来源：评论

学校读者我要写书评

暂无评论

基于分区搜索和强化学习的多模态多目标头脑风暴优化算法

引用

计算机应用研究 2024年第8期41卷 2374-2383页

作者：李鑫余墨多姜庆超范勤勤上海海事大学物流研究中心上海201306 上海交通大学电力传输与功率变换控制教育部重点实验室上海200240 华东理工大学能源化工过程智能制造教育部重点实验室上海200237

维持种群多样性和提高算法搜索效率是多模态多目标优化亟需解决的两大问题。为解决以上问题,提出了一种基于分区搜索和强化学习的多模态多目标头脑风暴优化算法(MMBSO-ZSRL)。在MMBSO-ZSRL中,首先将决策空间分解为多个子空间以降低搜索... 详细信息

维持种群多样性和提高算法搜索效率是多模态多目标优化亟需解决的两大问题。为解决以上问题,提出了一种基于分区搜索和强化学习的多模态多目标头脑风暴优化算法(MMBSO-ZSRL)。在MMBSO-ZSRL中,首先将决策空间分解为多个子空间以降低搜索难度和维持种群多样性;然后,使用SARSA(state-action-reward-state-action)算法来平衡头脑风暴算法的全局探索和局部开发能力;并使用特殊拥挤距离来挑选个体来指导种群进化。为了验证所提算法的性能,选取六种先进的多模态多目标优化算法来进行比较,并选取IEEE CEC2019多模态多目标问题基准测试集来对所有比较算法的性能进行测试。实验结果表明,MMBSO-ZSRL的整体性能要显著优于其他六种比较算法。MMBSO-ZSRL不仅可以找到多样性和逼近性更好的帕累托前沿,而且可以在决策空间找到更多的帕累托最优解。

关键词：多模态多目标优化头脑风暴优化算法强化学习 SARSA算法分区搜索

来源：评论

学校读者我要写书评

暂无评论

决策空间自组织多模态多目标鲸鱼优化算法研究

引用

电子测量技术 2023年第4期46卷 48-55页

作者：刘智睿杨志刚赵志伟苏皓葛超华北理工大学电气工程学院唐山063210 唐山学院唐山063000 唐山市半导体集成电路重点实验室唐山063000

针对当前多模态多目标优化算法在获得Pareto解集的完整性、收敛性方面的不足,提出了一种决策空间自组织多模态多目标鲸鱼优化算法(MMO_SOM_WOA)。首先将鲸鱼优化算法首次用于求解多模态多目标问题,通过鲸鱼优化算法本身的随机性提高寻找... 详细信息

针对当前多模态多目标优化算法在获得Pareto解集的完整性、收敛性方面的不足,提出了一种决策空间自组织多模态多目标鲸鱼优化算法(MMO_SOM_WOA)。首先将鲸鱼优化算法首次用于求解多模态多目标问题,通过鲸鱼优化算法本身的随机性提高寻找Pareto解集完整性的能力。其次将自组织映射网络与鲸鱼优化算法相结合,迭代开始时为鲸鱼优化算法建立良好的邻域。最后使用精英反向学习策略初始化种群和非支配排序机制获得均匀且完整的解。通过与当前5种经典算法在多模态多目标优化问题上进行仿真对比,结果表明MMO_SOM_WOA算法兼顾Pareto解集的多样性和Pareto解的完整性,收敛速度和收敛精度均得到提升具有较高的性能,有效解决多模态多目标优化问题。

关键词：多模态多目标优化决策空间自组织映射网络鲸鱼优化算法精英反向学习 Pareto最优解集

来源：评论

学校读者我要写书评

暂无评论

多模态多目标粒子群优化算法及其在冗余分配问题中的应用

多模态多目标粒子群优化算法及其在冗余分配问题中的应用

引用

作者：韦静月扬州大学

学位级别：硕士

多目标优化问题广泛存在于生产、生活中,随着科学技术的迅猛发展,问题的难度和复杂度越来越大,生产环境日益复杂,单个解决方案已难以满足决策者的需求。多模态多目标优化可以提供多个备选解集,为决策者提供更多选择,具有重要的实际意义... 详细信息

多目标优化问题广泛存在于生产、生活中,随着科学技术的迅猛发展,问题的难度和复杂度越来越大,生产环境日益复杂,单个解决方案已难以满足决策者的需求。多模态多目标优化可以提供多个备选解集,为决策者提供更多选择,具有重要的实际意义。粒子群优化算法作为一种经典的群集智能优化算法,在求解多目标优化问题时的优越性已得到广泛验证。本文针对多模态多目标粒子群优化算法及其应用展开研究,主要内容如下: (1)为满足优化过程不同阶段算法对“探索”和“开发”能力的不同需求,提出一种基于自适应动态邻域的多模态多目标粒子群优化算法。该算法根据迭代时间将种群划分为若干个子种群,利用自适应动态邻域机制调整子种群规模,以保证种群中的粒子可以在不同的邻域内进行信息交互。为更好地体现粒子在决策空间中的分布,提出一种基于空间距离的无重叠环型拓扑结构,以提升子种群的多样性。设计了一种停滞检测策略,以降低算法过早收敛的风险。最后,将所提算法应用于求解8个标准多模态多目标测试问题,仿真结果表明所提算法在解决多模态问题上有着较突出的性能。 (2)为在维护种群多样性的同时提高算法的搜索效率,提出一种结合分群策略和精英学习策略的多模态多目标粒子群优化算法。利用分群策略将种群划分成3个子种群,针对不同子种群中的粒子执行不同的更新策略,以增加在多模态问题中找到所有最优解的可能。为提升搜索效率,使用精英学习策略引导劣势粒子向精英粒子的方向搜索,以加快劣势群的收敛速度。引入反向学习机制,以防止算法早熟收敛。采用8个标准多模态多目标测试问题对所提算法的有效性进行验证,仿真结果表明所提算法可以较好地平衡算法的多样性和收敛性,同时可以获得更加完整的Pareto最优解集。 (3)研究多模态多目标粒子群优化算法在冗余分配问题中的应用。对多模态多目标冗余分配问题建模分析,将第4章所提算法经离散化处理后用于求解长输油管道SCADA系统的冗余分配问题。仿真结果表明所提算法可以给决策者提供更多系统设计方案。

关键词：多目标优化多模态多目标优化粒子群优化算法可靠性优化

来源：评论

学校读者我要写书评

暂无评论

基于多策略引导的多模态多目标粒子群优化算法研究及应用

基于多策略引导的多模态多目标粒子群优化算法研究及应用

引用

作者：高烨童西安理工大学

学位级别：硕士

现实生活中有许多问题具备多模态多目标特性,这些问题存在多个解集,这些解集映射在目标空间的同一个帕累托前沿上。求解该类问题,不仅可以为决策者提供多种可行方案,还可以在全局最优解不可行或代价昂贵时,为决策者提供一些稳定的局部... 详细信息

现实生活中有许多问题具备多模态多目标特性,这些问题存在多个解集,这些解集映射在目标空间的同一个帕累托前沿上。求解该类问题,不仅可以为决策者提供多种可行方案,还可以在全局最优解不可行或代价昂贵时,为决策者提供一些稳定的局部最优可行方案。具体而言,多模态多目标优化问题有两种情况:至少存在两个全局帕累托最优解集,同时存在全局和局部帕累托最优解集。在解决该问题时,粒子群优化算法有可能受全局最优误导而陷入局部最优;并且,不合理的拓扑结构也会导致算法出现过早收敛等问题。因此,本文在经典多模态多目标粒子群优化算法的基础上,引入多种策略共同引导种群进化,提高算法解决多模态多目标优化问题的能力,主要内容如下: 1.针对只存在多个等效全局Pareto最优解集的多模态多目标优化问题,提出了一种基于多向引导策略的多模态多目标粒子群优化算法(MM-PSO-MG)。在该算法中,首先,提出多向引导策略,提高算法的搜索能力,以有效避免算法过早收敛。其次,采用基于前沿等级的特殊拥挤距离策略,选择更有希望的解。最后,实验结果表明,在包含11个多模态多目标问题的基准测试集上,与4种流行的算法相比,所提算法MM-PSO-MG在解决只存在多个全局Pareto最优解集的多模态多目标问题时具有一定的竞争力。 2.针对不仅存在全局Pareto最优解集,还存在局部Pareto最优解集的多模态多目标优化问题,提出了一种基于发散引导和知识迁移策略的多种群粒子群优化算法(MPPSO-DGKT)。首先,提出了一种发散引导策略,利用子种群中优劣粒子的信息,有效缓解全局最优解过度引导作用。然后,通过知识迁移策略,促进不同子种群之间的协作,提高种群的开发能力。其次,利用档案的更新和选择策略,保留更多有希望的非支配解,促进算法获得全局和局部Pareto最优解集。最后,实验结果表明,在CEC2020测试集上,与7种流行的算法相比,所提算法MPPSO-DGKT在解决具有全局和局部Pareto最优解集的多模态多目标问题时具有一定竞争力。 3.针对选址优化这一有约束的多模态多目标问题,提出了一种改进的多模态多目标粒子群优化算法(MPPSO-DGKT-CV)。首先,采用改进的档案更新策略,在环境选择时保留少量排名靠前的局部帕累托最优解,将重点放在保留全局帕累托最优解上,使得算法找到的解决方案更满足决策者的需求;此外,利用约束处理技术剔除不可行的解决方案,仅保留可行的帕累托最优解,在节约计算资源的同时为决策者提供合理的解决方案。实验结果表明,与经典算法相比,算法MPPSO-DGKT-CV能够有效提高解决方案的准确性和完整性。

关键词：多模态多目标优化粒子群优化算法帕累托最优解集局部帕累托最优解集选址优化问题

来源：评论

学校读者我要写书评

暂无评论

多模态多目标差分进化优化算法的研究与应用

多模态多目标差分进化优化算法的研究与应用

引用

作者：王潇贵州大学

学位级别：硕士

在解决多目标优化问题(Multi-objective Optimization Problems,MOPs)时,需要同时优化多个相互排斥的目标,找到一个最优解集,即一个帕累托前沿(Pareto Front,PF)被唯一的帕累托最优解集(Pareto optimal Sets,PSs)映射。然而现实中的优... 详细信息

在解决多目标优化问题(Multi-objective Optimization Problems,MOPs)时,需要同时优化多个相互排斥的目标,找到一个最优解集,即一个帕累托前沿(Pareto Front,PF)被唯一的帕累托最优解集(Pareto optimal Sets,PSs)映射。然而现实中的优化问题更为复杂,很多MOPs都需要找到多个等价的解决办法,因此,多模态多目标优化问题(Multimodal Multi-objective Optimization Problems,MMOPs)被提出。在MMOPs中,它所映射的帕累托最优解集个数有多个,如何保证算法获得的解集能拥有良好的多样性且收敛到真实PSs上是一种需要解决的问题,此外,找到更高质量的PSs和PF也是重要的研究内容。因此,本文提出了一种基于反向学习的多模态多目标的差分进化算法以及一种基于分层选择的多模态多目标的差分进化算法用来解决MMOPs。 (1)针对多模态多目标优化算法中存在搜索得到的PSs的多样性和分布性不够的问题,提出一种基于反向学习的多模态多目标的差分进化算法(MMODE＿OP)。该算法使用反向学习策略,在初始化阶段和反向跳跃阶段对种群进一步的搜索并筛选出精英个体进行迭代,这样不仅能提升MMODE＿OP对全局范围的搜索效率,同时改善了PSs的多样性。另外,为进一步改善解的质量,使获得的解收敛到PSs上,在不同进化阶段,采取不同阶段的高斯扰动策略形成对邻域的搜索,增强了MMODE＿OP对局部区域的探索能力,以此提升PSs的多样性和平衡算法的探索及开发能力。在MMODE＿OP中,还设计了自适应的缩放因子和交叉因子以进一步能提高算法搜索能力。最后,算法的评价指标包括了PSP、HV以及IGDX,MMODE＿OP与5个先进算法在13个多模态多目标测试函数上进行了测试,对比这三个指标的数值结果并进行了统计分析,结果表明了MMODE＿OP在搜索更高质量的PSs方面具有优良的性能。 (2)针对多模态多目标优化算法中决策空间和目标空间的性能不平衡的问题,提出一种基于分层环境选择的多模态多目标的差分进化算法(MMODE＿ES)。首先,在MMODE＿ES中,同时考虑了个体在决策空间和目标空间拥挤程度,设计了一种变异策略的个体选择方案,保证了种群在决策空间和目标空间的多样性,这样平衡了决策空间和目标空间的性能,然后算法利用了特殊拥挤距离对种群进行了非支配排序,在环境选择的过程中,设计了一种分层选择个体的策略,该策略基于非支配等级,按自适应的比例对种群进行逐层的选取,保留了优势个体,也为探索出潜在个体提供了可能。同时对非支配排序后的种群进行收敛性、多样性进行研究,采用不同的差分繁殖策略进行迭代,防止了个体避免过早收敛,同时也保证算法的搜索能力。最后,算法的评价指标包括PSP、HV以及IGDX,MMODE＿ES与5个优秀算法在13个多模态多目标测试函数上进行了测试,比较这三个指标的数值结果并进行了统计分析,结果表明了MMODE＿ES在搜索更完备的PSs和PF的方面具有优良的性能。同时,将MMODE＿ES和MMODE＿OP从鲁棒性、时间复杂度、搜索性能方面进行了对比,实验表明MMODE＿ES比MMODE＿OP的综合表现更好。 (3)将所设计的算法应用在选址优化问题上。将设计的算法MMODE＿ES和MMODE＿OP在选址问题的数据集上进行了测试,结果表明了MMODE＿ES和MMODE＿OP都能定位大部分的真实选址地点,也就是说可以找到更多的可行方案,这为决策者提供了更多的选择。

关键词：多模态多目标优化反向学习邻域搜索环境选择差分进化算法

来源：评论

学校读者我要写书评

暂无评论

多模态多目标粒子群优化算法的改进与应用

多模态多目标粒子群优化算法的改进与应用

引用

作者：葛蕤扬州大学

学位级别：硕士

实际应用中存在大量多模态多目标优化问题,这类问题的决策空间中存在多个Pareto最优解集对应于目标空间中同一 Pareto前沿。获取多个Pareto最优解集可以挖掘出问题的潜在特性,同时为决策者提供多种可行方案,如何搜寻这些Pareto最优解集... 详细信息

实际应用中存在大量多模态多目标优化问题,这类问题的决策空间中存在多个Pareto最优解集对应于目标空间中同一 Pareto前沿。获取多个Pareto最优解集可以挖掘出问题的潜在特性,同时为决策者提供多种可行方案,如何搜寻这些Pareto最优解集一直是优化领域关注的焦点。传统多目标优化算法侧重于对目标空间的搜索,且单次运行仅能找到一组最优解集,因而难以有效解决这类问题。本文研究了多模态多目标粒子群优化算法的改进与应用,主要内容如下:(1)针对传统粒子群优化算法在求解多模态多目标优化问题时解集多样性和算法收敛性较差的问题,提出一种基于动态邻域的多模态多目标粒子群优化算法。为改善固定邻域对粒子间信息交流的限制,同时降低种群陷入早熟收敛的可能性,提出一种动态邻域选择策略。该策略将整个种群划分为多个动态子种群,并为每个粒子选择新的相邻粒子,以产生更富有多样性的解集。为提高算法的搜索效率,引入孤立子种群重组策略。为验证所提算法的有效性,利用其求解10个多模态多目标测试问题,并与4种已有多目标优化算法进行比较,通过各算法对同一测试问题的IGDX、PSP和HV3个评价指标的实验结果,分别说明此算法在决策空间和目标空间内的收敛性以及获得解集的多样性。结果表明此算法可以提高解集多样性和算法收敛性。(2)针对传统多目标优化算法未充分考虑决策空间的多样性,导致算法早熟收敛且所得解集不完整的问题,提出一种基于环形拓扑和搜索扰动的多模态多目标粒子群优化算法。为更好地平衡探索与开发,将优化过程划分为2个阶段。在第1阶段,整个种群被划分为多个小型子种群和一个劣势子种群。小型子种群采用基于空间距离的无重叠环形拓扑结构,以提高种群的多样性,使算法能够搜索到更多Pareto最优解。劣势子种群利用全局最优解进行更新,以提高搜索效率。在第2阶段,所有粒子都跟随全局最优解进行搜索,以提高算法的搜索精度。为避免算法早熟收敛,引入周期重组和一种新的全局最优解更新策略。为验证所提算法的有效性,利用其求10个多模态多目标测试问题,并与5种已有多目标优化算法进行比较,结果表明此算法可以获得收敛性较好且更加完整的Pareto解集。(3)研究了多模态多目标粒子群优化算法在特征选择中的应用。同时考虑特征个数和分类精度,将特征选择视为多模态多目标优化问题进行求解。考虑连续粒子群优化算法无法直接用于处理离散优化问题,采用实数编码方式,将连续的位置向量转化为二进制特征字符串,从而在粒子与问题潜在解之间建立映射。将所提算法应用于7个数据集,并与2种已有算法在同一数据集上的平均分类精度和获得等效特征组合的数量进行比较,比较结果表明该算法可以有效降低特征集合的冗余度,并且在保证分类精度的基础上能够找到更多的等效特征组合。

关键词：粒子群优化算法多目标优化多模态多目标优化特征选择

来源：评论

学校读者我要写书评

暂无评论

多种群合作学习的多模态多目标路径规划算法

引用

北京航空航天大学学报 2023年第3期49卷 606-616页

作者：赵萌路辉王诗琪杨思旖王赞北京航空航天大学电子信息工程学院北京100191

为同时规划出满足多种目标需求的多条可行路径,提高规划路径的鲁棒性与实用性,提出一种基于多种群合作学习的路径规划算法。基于粒子群算法的基本思想,先针对单一种群在多维目标空间内搜索时容易陷入局优的问题,提出基于多目标分解的子... 详细信息

为同时规划出满足多种目标需求的多条可行路径,提高规划路径的鲁棒性与实用性,提出一种基于多种群合作学习的路径规划算法。基于粒子群算法的基本思想,先针对单一种群在多维目标空间内搜索时容易陷入局优的问题,提出基于多目标分解的子种群划分策略,平衡算法在目标空间内各个维度上的搜索能力。再依据地图中栅格点的出入度信息提取关键路径点。在编码阶段,根据关键路径点提供的维度信息,利用实数编码的方式初始化种群,降低解空间大小;在解码阶段,提出利用精英解的解码经验指导可行解的快速搜索,使解码经验能够被有效传递,降低解码的不确定性,提高了算法的寻优能力。最后,将多个种群的搜索结果进行非支配排序,得到满足优化目标的所有路径。实验结果表明:与标准粒子群算法相比,基于解码经验表指导的多种群合作学习算法具有更强的搜索能力和寻优能力,能够解决多模态多目标路径规划问题。

关键词：多模态多目标优化路径规划粒子群算法子种群划分解码经验表

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：