检索结果-内蒙古大学图书馆

计算机学报 2022年第5期45卷 951-972页

作者：梁正平刘程王志强明仲朱泽轩深圳大学计算机与软件学院广东深圳518060

由于不同目标之间相互冲突且搜索空间巨大,现有大规模多目标优化算法的综合性能尚存在较大改进空间.为合理均衡算法的搜索效率与搜索质量,提升算法的综合性能,本文提出一种基于存档和权值扩展的大规模多目标优化算法(LSMOEA-AWE).该算... 详细信息

由于不同目标之间相互冲突且搜索空间巨大,现有大规模多目标优化算法的综合性能尚存在较大改进空间.为合理均衡算法的搜索效率与搜索质量,提升算法的综合性能,本文提出一种基于存档和权值扩展的大规模多目标优化算法(LSMOEA-AWE).该算法总体采用进化计算框架,基于大规模决策变量与小规模权值变量之间的问题转换进行求解.其核心是在进化过程中选取高质量代表性解及其对立点构建存档高效引导种群的进化方向,并引入权值扩展策略逐步扩大算法的搜索空间,在确保算法搜索效率的同时,提升搜索质量.为验证LSMOEA-AWE的有效性,将其与6个先进的大规模多目标优化算法在最新的大规模多目标基准测试问题集LSMOP上进行对比,实验结果表明LSMOEA-AWE对于大规模多目标优化问题的求解具有明显的竞争优势.

关键词：大规模多目标优化进化计算问题转换存档权值扩展

来源：评论

学校读者我要写书评

暂无评论

多群多策略差分大规模多目标优化算法

引用

控制与决策 2024年第2期39卷 429-439页

作者：葛媛媛陈得宝邹锋淮北师范大学计算机科学与技术学院安徽淮北235000 淮北师范大学物理与电子信息学院安徽淮北235000 安徽省认知行为智能计算工程研究中心安徽淮北235000

针对差分进化算法在解决大规模多目标优化问题时,出现优化后期多样性不足、收敛速度慢等问题,提出一种多群多策略差分大规模多目标优化算法.根据个体特性不同,将种群分为3个等级不同的子群,利用多群策略的优势维持种群多样性.为减少种... 详细信息

针对差分进化算法在解决大规模多目标优化问题时,出现优化后期多样性不足、收敛速度慢等问题,提出一种多群多策略差分大规模多目标优化算法.根据个体特性不同,将种群分为3个等级不同的子群,利用多群策略的优势维持种群多样性.为减少种群陷入局部最优的概率,在不同等级的子群中引入多个变异策略以较好地平衡子群个体的多样性和收敛性.为保证不同子群间信息得到有效交换,根据3个子群的进化状态确定重新分群时机,既保证个体在本群内得到充分进化,又保证个体在一定的条件下进行信息交换.为利用更多的信息生成优秀的子代,将更新后的子群与其父代子群合并,选出下一代子群.为验证所提出算法的有效性,在一组大规模基准测试问题上评估算法的性能,实验结果表明,所提出算法在两个常用测试指标IGD和HV上明显优于其他对比算法.

关键词：大规模多目标优化多目标优化差分进化多种群策略变异策略

来源：评论

学校读者我要写书评

暂无评论

大规模多目标优化问题的算法研究与设计

大规模多目标优化问题的算法研究与设计

引用

作者：田帅西安电子科技大学

学位级别：硕士

多目标优化问题广泛存在于现实生活中的各行各业,与我们的生活密切相关。近年来,诸多学者提出了许多优秀的算法框架解决多目标优化问题,取得了不错的效果。然而,这些算法在解决大规模多目标优化问题时,求解效果明显下降。这主要是因为... 详细信息

多目标优化问题广泛存在于现实生活中的各行各业,与我们的生活密切相关。近年来,诸多学者提出了许多优秀的算法框架解决多目标优化问题,取得了不错的效果。然而,这些算法在解决大规模多目标优化问题时,求解效果明显下降。这主要是因为随着问题决策变量维数增加,搜索空间急剧增大。随着社会的发展,现实世界的问题越来越复杂,建立的模型的决策空间维度也随之增多,因此,研究和设计解决大规模多目标优化问题的高效算法是具有重要意义的。本文提出了三种新型算法解决大规模多目标优化问题,主要工作如下: 第一,提出了一种基于败者自适应更新策略和方向指导进化的竞争粒子群算法。首先,该算法设计了一种败者自适应更新策略,将粒子群通过竞争机制分为胜出者和失败者后,让败者利用自适应更新策略沿着胜出者的方向进行更新,该策略能保证距离胜出者较远的失败者以更大的步长进行更新,从而提高算法的收敛性,对胜出者利用变异策略以增加解的多样性。其次,该算法设计了一种基于方向指导的新解生成策略。该策略先对粒子群利用非支配排序方法进行排序,将第一层的非支配解按照拥挤度距离降序排序,选取一定数量的最优解集。然后,该策略构建由胜出者粒子指向最优解集的搜索方向,在搜索方向上生成新解辅助进化,该策略增强了算法全局搜索的能力。同时,为了提升种群的多样性和算法的收敛性,所提算法采用了两个环境选择策略来选择下一代种群。本文将提出的算法在广泛使用的测试基准上与几种算法进行了对比实验,结果表明,本文所提算法在解决大规模多目标优化问题具有一定的潜力。第二,提出了一种基于参考点选择和多向搜索的算法。该算法首先设计了一种基于中心对称的参考点选取策略。该策略先利用环境选择策略选取一部分参考点,然后确定决策空间的中心,选取这些参考点及其关于中心的对称点作为问题转换的参考点,该策略选取的参考点具有更好的分布性。然后,该算法构造并选取了决策变量的边界点,利用边界点和所选取的参考点,构建多个搜索方向,将大规模多目标优化问题转换成低维的单目标优化问题。最后,该算法改进了基于中心变异的差分进化算法,利用改进的算法对转换后问题进行优化,加快了转换后问题的收敛性,提升了算法性能。本文将提出的算法在广泛使用的测试基准上与几种算法进行了对比实验,结果表明本所文提算法能够很好地解决大规模多目标优化问题。第三,提出了一种基于交叉方向采样的算法。该算法首先设计了一种样本点对的构造策略。该策略利用方向向量将目标空间进行分解,然后利用非支配排序方法选取一部分优秀的解,按照两次分配的方法为每个方向向量分配优解和次优解,构成样本点对。然后,该算法设计了一种收敛性方向采样策略。对于同一方向向量上的一对样本点,根据支配关系和与该方向向量的夹角较小的两个原则,构建出收敛性方向,在该方向上采样生成收敛性解。最后,该算法设计了一种多样性方向采样策略。对于在每个方向向量上分配的第一批优解,将其两两连接构成多样性方向,然后在多样性方向上采样生成多样性解。本文将提出的算法在广泛使用的测试基准上与几种算法进行了对比实验,结果表明本文所提算法能够加快算法收敛,同时保持种群多样性。

关键词：大规模多目标优化粒子群优化问题转化多向搜索方向采样

来源：评论

学校读者我要写书评

暂无评论

大规模多目标优化算法中的繁殖策略研究

大规模多目标优化算法中的繁殖策略研究

引用

作者：赵鹏鹏太原科技大学

学位级别：硕士

生活中各个领域都存在着多目标优化问题,而这类问题通常需要同时处理相互冲突的目标函数。因此,决策者需要在众多解决方案中进行权衡和选择,挑选最合适的解。传统的多目标优化算法在许多领域都获得了一定的成功,但随着社会的进步,实际... 详细信息

生活中各个领域都存在着多目标优化问题,而这类问题通常需要同时处理相互冲突的目标函数。因此,决策者需要在众多解决方案中进行权衡和选择,挑选最合适的解。传统的多目标优化算法在许多领域都获得了一定的成功,但随着社会的进步,实际问题变得越来越复杂,大规模多目标优化问题随之衍生出来。随着搜索空间的增大,搜索最优解的难度随之增加。为此,种群探索和开采能力的平衡变得尤为重要。为此,本文围绕种群的繁殖策略展开研究,通过两种不同方式的繁殖策略来产生子代种群,以期在提升种群多样性的情况下加快对最优解集的搜索。本文具体研究内容如下: 现有大规模多目标优化算法的子代繁殖策略无法很好地平衡算法收敛性和多样性。针对此问题,本文提出了基于混合繁殖策略辅助的大规模多目标优化算法(Large Scale Multi-objective Optimization Agorithm Assisted by Hybrid Reproductive Strategies,LSMOEA-HRS)。首先,利用参考向量选择的高质量引导解执行差分进化产生第一部分子代,以加快种群的收敛速度。随后,在参考向量划分的子空间内构建潜在有前途的方向向量,引导种群向最优区域搜索,从而提高算法的开采能力。与五个大规模多目标进化算法在LSMOP测试问题上的对比。结果表明,LSMOEA-HRS在求解大规模多目标优化问题上更具竞争力。为了进一步提高LSMOEA-HRS算法的求解性能,提出了基于混合繁殖改进策略辅助的大规模多目标优化算法(Large Scale Multi-objective Otimization Algorithms Assisted by Hybrid Reproduction Improved Strategies,简称LSMOEA-HRIS)。首先,在执行差分产生个体时,随机添加部分支配解和非支配解。其次,在参考向量划分的子空间内添加非支配解和支配解构成的引导方向来产生个体,通过两种方法来增加种群的探索能力,防止其过早陷入局部最优。在LSMOP测试问题上的实验对比结果表明LSMOEA-HRIS算法相比于LSMOEA-HRS求解大规模多目标的性能得到进一步提升。

关键词：大规模多目标优化混合繁殖策略引导解差分进化方向引导策略

来源：评论

学校读者我要写书评

暂无评论

大规模多目标优化问题的算法研究

大规模多目标优化问题的算法研究

引用

作者：唐丹丹西安电子科技大学

学位级别：硕士

多目标优化问题广泛存在于工业制造、生产生活中,随着科技的发展和社会的进步,多目标优化问题呈现出大规模的特点。大规模多目标优化问题在车站的路径规划、供水系统规划等场景有重要的应用。尽管多目标优化算法的成果很丰硕,但是对于... 详细信息

多目标优化问题广泛存在于工业制造、生产生活中,随着科技的发展和社会的进步,多目标优化问题呈现出大规模的特点。大规模多目标优化问题在车站的路径规划、供水系统规划等场景有重要的应用。尽管多目标优化算法的成果很丰硕,但是对于大规模多目标优化问题的研究还不成熟。大规模多目标优化问题的显著特点是决策变量空间的维度较大,影响了解的搜索效率。本文针对大规模多目标优化问题,主要研究以下几点:1.将高维决策变量空间通过一定的策略转换成一系列低维的子空间,在子空间内怎样进行多个方向的搜索。2.在决策变量空间怎样寻得一个或多个靠谱的搜索方向,促进解的搜索过程。基于以上两点,本文的主要工作有:(1)提出了一种基于对称点搜索和分组策略的求解算法。首先,为了能在空间中搜索到更大范围的解,提出了一种在决策空间内多向搜索的思想。主要思路是使用分组策略对决策变量进行分组,将高维的决策空间划分成了一系列的低维子空间。在每一个子空间,定义种群点在该空间内的对称点然后构造对应的搜索方向。然后选取一定数量的搜索方向指导算法的进化,以便在决策变量空间内更加全面地进行解的搜索。其次,为了能够更好地对问题进行降维,提出了一种新的关于空间降维的转换函数,能够更好地将高维决策空间的优化转化为低维的权重向量空间的优化。本文将提出的算法在常用的测试函数集上和现有的几个算法进行了对比,实验数据表明本文提出的算法在解决大规模多目标优化问题上有着不错的潜力。(2)提出了一种潜力方向交叉搜索的求解算法。在坚持多向搜索思想的前提下,寻找其中优质的搜索方向。为此本文提出了利用非支配解构造搜索方向的方法。主要的思路是将决策变量进行分组,在分组后的决策子空间内,对种群点进行非支配排序,留下非支配解。然后将非支配解按照从大到小次序进行拥挤度距离排序。排序相邻的两个解组成一对,可以构造一个方向,这个方向称为潜力方向。决策空间的原点和这一对解的中点可以构造一个方向,称为原解方向。这两个方向在空间中是相互交叉的,因此沿着这两个方向可以在决策空间中更加全面地搜索到优秀解。本文将此算法在常用的测试函数集和现有的算法进行了对比,实验结果表明本文提出的算法具有良好的性能,在解决大规模多目标问题上具有一定的优势。

关键词：大规模多目标优化分组策略降维问题转化多向搜索

来源：评论

学校读者我要写书评

暂无评论

基于大规模多目标优化的跳频序列设计方法

引用

计算机应用研究 2024年第3期41卷 887-893页

作者：张毅恒刘以安宋海凌江南大学人工智能与计算机学院江苏无锡214122 海军研究院北京100161

针对跳频序列设计中存在的规模小和难以兼顾多指标的问题,提出一种基于大规模多目标优化的跳频序列设计方法。首先,综合考虑跳频序列的多项性能指标,建立跳频序列多目标优化模型;然后,引入大规模多目标优化方法,并提出决策变量洗牌策略... 详细信息

针对跳频序列设计中存在的规模小和难以兼顾多指标的问题,提出一种基于大规模多目标优化的跳频序列设计方法。首先,综合考虑跳频序列的多项性能指标,建立跳频序列多目标优化模型;然后,引入大规模多目标优化方法,并提出决策变量洗牌策略和反向差分进化,通过重新分配决策变量位置以形成具有多样性的非支配集,并通过使反向个体参与差分进化来为后续进化持续提供有效的方向;最后,通过提出算法对模型进行优化得到跳频序列集。实验结果表明,所提方法相较于其他多目标优化方法具有更强的寻优能力,得到跳频序列集的性能指标具有明显优势;所提方法在不同干扰环境中相较于其他方法具有更低的误码率,验证了提出方法的有效性和优越性。

关键词：抗干扰跳频序列大规模多目标优化洗牌策略反向学习

来源：评论

学校读者我要写书评

暂无评论

基于变分自编码器的大规模多目标优化算法及其应用研究

基于变分自编码器的大规模多目标优化算法及其应用研究

引用

作者：陈晓瑜深圳大学

学位级别：硕士

各类工业应用和科学研究场景中存在大量的大规模多目标优化问题,如可再生能源的管理,交通运输系统中资源调度以及投资组合的优化等。对于多目标优化问题而言,通常存在多个冲突的目标,现有的常规数学规划方法难以同时最优化所有目标函数... 详细信息

各类工业应用和科学研究场景中存在大量的大规模多目标优化问题,如可再生能源的管理,交通运输系统中资源调度以及投资组合的优化等。对于多目标优化问题而言,通常存在多个冲突的目标,现有的常规数学规划方法难以同时最优化所有目标函数。随着科学技术发展,问题的决策变量规模也随着各类应用场景研究的深入而增大,此类问题称为大规模多目标优化问题(Large-scale Multi-objective Optimization Problems,LSMOPs)。因为此类问题不仅具有多个冲突的目标函数,更是包含成千上万的决策变量,问题的复杂度与决策变量维数成正比,所以遭受维度诅咒。近年来,学者们提出了许多大规模多目标优化算法(Large-scale Multi-objective Evolutionary Algorithms,LSMOEAs)为缓解LSMOPs遭受的维度诅咒所带来的挑战,但在性能上仍存在极大的提升空间。本文针对大规模多目标优化算法展开研究,主要内容如下: (1)提出了基于变分自编码器的大规模多目标优化算法LSMOEA-VAE。该算法每隔一定迭代次数,从当前主种群中抽取部分精英个体构建训练集,以无监督方式训练出一个基于卷积神经网络的变分自编码器模型,并据此生成一个可为主种群进化提供快速收敛方向的引导种群。再根据主种群状态采用自适应差分进化策略,利用变分自编码器生成的引导种群为主种群在大规模搜索空间中高效地开发与探索潜在的最优解提供持续地帮助。为验证LSMOEA-VAE的性能,分别在经典的LSMOP和最新的LMF大规模多目标测试问题集1000-10000维决策变量上,与大规模多目标优化领域中9个具有代表性的算法进行对比,实验结果表明LSMOEA-VAE具有明显的竞争力。 (2)针对电力传输系统中电压时变比率误差估计问题(Time-varying Ratio Error Estimation,TREE)。在拓扑、序列和相位约束等条件下,对时变比率误差、比率误差随时间变化总量和相位角比率误差随时间变化总量等目标最小化,建模为约束大规模多目标优化问题。本文提出的LSMOEA-VAE结合多种不同类型的约束处理方法应用于解决TREE。在实验部分,将LSMOEA-VAE与8个具有代表性的LSMOEAs对比。实验结果表明,LSMOEA-VAE在解决实际应用问题上仍能保持良好的竞争力。

关键词：大规模多目标优化变分自编码器自适应差分进化电压比率误差估计

来源：评论

学校读者我要写书评

暂无评论

基于演化计算的大规模多目标优化算法研究

基于演化计算的大规模多目标优化算法研究

引用

作者：闫世瑛江南大学

学位级别：硕士

多目标优化问题(Multi-objective optimization problems,MOPs)在科学研究和工程领域广泛存在,研究者提出了许多经典多目标演化算法(Multi-objective optimization evolutionary algorithms,MOEAs)来求解MOPs,且取得了一定的成效。然而,MOEAs无法在求解决策变量数大于100的大规模多目标优化问题(Large-scale multi-objective optimization problems,LSMOPs)时保证其有效性。其主要原因如下:首先,当优化问题的决策变量数增加时,求解算法的搜索空间会呈指数式增长,而现有的绝大多数MOEAs将决策变量当作一个整体进行优化,这种情况下MOEAs的性能将会急剧退化。其次,随着决策变量数的增加,变量间的相互作用关系也会变得极为复杂。此外,在目标空间中,大量的决策变量会对生成解的收敛性和分布性产生一定的影响。因此,需要设计大规模多目标演化算法来求解LSMOPs,基于此,本文开展了如下工作:(1)提出了一种基于差分进化邻域自适应的大规模多目标优化算法(Neighborhood adaptive strategy multi-objective evolutionary algorithm,NAS-MOEA)。为解决决策变量分类不够准确的问题,对决策变量进行扰动分析,根据扰动解的支配关系将所有变量分为两组,即多样性变量和收敛性变量,使变量分类更加准确,提升了进化过程的效率。对收敛性变量进行主成分分析降噪,在保留原始数据主要信息的前提下使子成分间没有关联,从而减少计算成本并获得更好的结果。针对进化种群难以平衡收敛性和多样性的难点,通过种群交替进化,采用优化策略交替处理收敛性变量和多样性变量,避免算法陷入局部最优。在使用差分进化算法优化收敛性变量时,设计了邻域自适应更新操作,进而加快了种群在进化过程中的收敛速度。实验结果表明,本文提出的算法具有更快的收敛速度和更高的寻优精度。(2)提出了一种基于混合决策变量分析的大规模多目标优化算法(Mixed decision variable analysis multi-objective evolutionary algorithm,MDA-MOEA)。为提升决策变量分类的准确性,减少错误分类导致收敛困难的问题,设计了一种新型的混合决策变量分析方法,在决策变量分析过程中,不再设置收敛性变量与多样性变量的差异值点,而是将决策变量的控制属性用控制属性排序公式量化为数值表示。此外,为了提升算法求解LSMOPs的效率,MDA-MOEA还引入了惩罚机制,对适应度函数的偏差进行校正,从而缩短算法的运行时间。实验结果表明,本文提出的算法表现出良好的性能,尤其是在决策变量数达到300以上的测试问题上,在平衡收敛性和多样性方面有一定的性能优势。综上所述,本文针对LSMOPs设计了两种不同的基于演化计算的大规模多目标优化算法,深入研究了变量分析阶段分类不够准确的问题,在优化阶段设计了更有针对性的优化方法,并在相关测试函数中验证了所提算法的性能。

关键词：演化计算大规模多目标优化决策变量分析差分进化邻域自适应更新

来源：评论

学校读者我要写书评

暂无评论

基于粒子群算法的大规模多目标优化问题求解方法

基于粒子群算法的大规模多目标优化问题求解方法

引用

作者：孙思雨中国矿业大学

学位级别：硕士

优化问题一般分为单目标优化问题和多目标优化问题,多目标优化问题中的各个目标函数一般是相互冲突、相互矛盾的,即一个子目标函数的优化可能会导致其它一个或多个目标函数性能恶化。粒子群优化是一种易于实现和快速收敛的群体智能优化... 详细信息

优化问题一般分为单目标优化问题和多目标优化问题,多目标优化问题中的各个目标函数一般是相互冲突、相互矛盾的,即一个子目标函数的优化可能会导致其它一个或多个目标函数性能恶化。粒子群优化是一种易于实现和快速收敛的群体智能优化技术,因此,很多学者将其用于求解多目标优化问题。传统多目标粒子群优化算法在处理小规模多目标优化问题时效果明显。但是,当变量维度增加时效果会下降,特别是在大规模多目标优化问题上表现欠佳,很难同时保证得到的解集具有好的收敛性和分布性。为了提高粒子群算法求解大规模多目标优化问题的性能,本文提出了两种改进的多目标粒子群优化算法。为了更合理的选择全局最优解,从而提高种群的收敛性与多样性,本文提出的第一种是基于K-means聚类的大规模多目标粒子群算法,首先使用K-means聚类对粒子进行分类,并选取非支配等级最高的个体作为该类的引导个体,每类粒子都有一个类全局最优解引导粒子的更新,使得类全局最优解能够引导粒子均匀的移动到Pareto前沿;然后,根据目标函数值动态选取粒子更新时的惯性权重和加速度系数,由于是多目标问题,目标函数值不唯一,假设一个理想点M*(28)(0,0,...,0),计算粒子与理想点的目标函数值的欧式距离,通过欧式距离衡量粒子的性能选取合适的加速度系数,并利用改进后的粒子群更新公式更新粒子的位置和速度;最后,在三种测试函数中与八种最先进的多目标优化进化算法进行比较,实验结果显示所提出的算法具有良好的收敛性与多样性。传统的适应度值计算方法更注重粒子的收敛性,为了考虑粒子的多样性,本文的第二种是基于个体评价方法的多目标粒子群算法,本文首先给出收敛性距离和多样性距离的定义;然后,定义适应度值计算方法,根据新的适应度值对粒子进行排序,选取性能更优的粒子放入最优解集;最后,将算法与八种最先进的多目标优化进化算法在三种测试函数中进行比较,证明了本文提出的算法在求解大规模对目标优化问题上具有优越性。本文针对现有工作的欠缺和不足,提出了两种多目标粒子群进化算法,极大增强了粒子群算法的收敛性和多样性,具有较强的适用性,在解决大规模多目标优化问题上表现优异。因此,本文所提出的算法具有重要的理论和应用意义。

关键词：粒子群优化大规模多目标优化 K-means聚类个体排序

来源：评论

学校读者我要写书评

暂无评论

基于深度学习和加速收敛技术的大规模多目标优化新算法

基于深度学习和加速收敛技术的大规模多目标优化新算法

引用

作者：王紫晴西安电子科技大学

学位级别：硕士

由于现代科学与工程的飞速发展,诸多现实问题建模而成的多目标优化模型也日趋复杂。随着大数据时代的到来,从实际问题中抽象出的优化模型的规模也在不断变大。近十几年来,多目标优化领域吸引了众多国内外学者的研究兴趣,也有许多可以高... 详细信息

由于现代科学与工程的飞速发展,诸多现实问题建模而成的多目标优化模型也日趋复杂。随着大数据时代的到来,从实际问题中抽象出的优化模型的规模也在不断变大。近十几年来,多目标优化领域吸引了众多国内外学者的研究兴趣,也有许多可以高效求解多目标优化问题的算法被学者们提出。大规模多目标优化问题的特点是决策变量的数目极大,问题的搜索空间随着决策变量数目的增多呈指数级增长,因此带来了维度灾难。以往的多目标优化算法可以满足小规模多目标优化问题的求解需求,而对于大规模多目标优化问题却很难高效地解决,因此,研究用于解决大规模多目标优化问题的多目标优化算法是非常有意义的。本文的工作主要包含以下两个内容: 第一,本文提出了一种基于多元化参考点和潜力解引导进化的算法。首先,提出了一种超平面种群均匀初始化策略,为算法的定向搜索阶段提供一个分布性良好的种群初始状态。其次,提出了一种基于决策空间分布密度的多元参考点选择策略,可从种群中选择既在目标空间中具有良好收敛性,又在决策空间中分布良好的多元化的参考点集合。最后,提出了一种新的搜索方向构造方法,基于潜力解选择策略在目标空间中选择若干个体构造收敛性搜索方向,种群中的个体向着潜力解所在的潜力区域的方向进化,以增强算法的收敛速度;基于选择的参考点与决策空间上界点、下界点构造多样性搜索方向,为找到多样性的解集提供可能性。通过以上策略,种群可快速收敛至Pareto前沿附近,在使种群快速收敛的同时也保证了种群中个体的多样性。通过目前广泛使用的多目标优化测试问题集,将所提算法同其他优秀算法进行了对比实验,实验结果证明了本文提出的算法相比于其他几种算法在解决大规模多目标优化问题时具有显著的优势。第二,本文提出了一种基于生成对抗网络的多样性子代学习模型。该学习模型由三个模块组成,即进化算法模块、数据采样模块以及生成对抗网络模型模块。进化算法模块采用一种Pareto前沿层间收敛性方向搜索策略,个体在决策空间中沿着多元收敛性搜索方向进行搜索,种群能够在进化的过程中逐渐向真实Pareto前沿靠近。数据采样模块采用一种基于目标空间聚类的训练数据采样方法,可在种群进化时产生的历史数据中采样到在目标空间中具有良好分布性的优秀个体作为训练数据。生成对抗网络模块采用了一种基于Wasserstein距离作为损失函数的生成对抗网络,网络接收优秀个体作为训练数据后,基于其模拟数据分布的能力可生成更多样的个体,提高了算法求解的多样性。将所提算法同目前多目标优化领域中的优秀算法在广泛使用的多目标优化测试问题集上进行了对比实验,实验结果表明,本文提出的算法在求解大规模多目标优化问题时具有不错的性能。

关键词：大规模多目标优化问题转换深度学习进化算法多向搜索

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：