检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

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

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

4 篇 学位论文

馆藏范围

4 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

4 篇 工学
- 4 篇 控制科学与工程
- 4 篇 计算机科学与技术...
- 4 篇 软件工程
4 篇 管理学
- 4 篇 管理科学与工程(可...
1 篇 理学
- 1 篇 数学

主题

4 篇 大规模稀疏多目标...
4 篇 进化算法
1 篇 多模态多目标优化
1 篇 高维昂贵多目标优...
1 篇 收敛性
1 篇 分布性
1 篇 稀疏帕累托最优解...
1 篇 模式挖掘
1 篇 多目标优化
1 篇 无监督神经网络
1 篇 遗传算子
1 篇 卷积神经网络结构...
1 篇 不规则pareto前沿...

机构

1 篇 江苏大学
1 篇 南京信息工程大学
1 篇 安徽大学
1 篇 湘潭大学

作者

1 篇 曾诚
1 篇 蒋京
1 篇 鲁昶
1 篇 沈俊烨

语言

4 篇 中文

检索条件"主题词=大规模稀疏多目标优化"

共 4 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于稀疏遗传算子的大规模稀疏多目标优化算法研究

基于稀疏遗传算子的大规模稀疏多目标优化算法研究

引用

作者：曾诚湘潭大学

学位级别：硕士

多目标优化问题(Multiobjective Optimization Problems,MOPs)是包含多个相互冲突的优化目标的问题。多目标优化进化算法(Multi-objective Optimization Evolutionary Algorithms,MOEAs)相较于传统的数学优化方法更易于求解不可导、多峰等特殊性质的问题,还具有高效的全局搜索能力,因此被广泛用于各种复杂的多目标优化问题求解。具有大量决策变量的多目标优化问题被称为大规模多目标优化问题(Large-scale Multi-objective Optimization Problems,LMOPs),但由于搜索空间随着决策变量数的增加呈超多项式型增长,带来了“维数诅咒”,使得MOEAs在解决此类问题时难以高效的收敛。本文关注大规模稀疏多目标优化问题,其独特的特点是只有少数决策变量是有价值的。在这类问题中,决策空间的解可以被视为二进制向量和实数向量的乘积,其中前者确定哪些决策变量是有价值的,后者确定这些变量的最优值。为了提高二进制向量搜索的精度,本文提出了一种基于稀疏遗传算子的进化算法MOEA-ESGO。MOEA-ESGO引入了增强的稀疏遗传算子,允许更公平地比较后代和父代的二进制向量,从而能够在进化过程中保留更好的二进制向量,挖掘稀疏分布。大规模稀疏多模态多目标优化问题具有多个等效的帕累托最优解集,现有MOEAs难以求解该类问题。本文在MOEA-ESGO的基础上提出了一种基于稀疏遗传算子和多种群的进化算法MOEA-MPESGO。MOEA-MPESGO使用二进制引导向量来指导不同的子种群在二进制搜索空间中搜索不同的方向来寻找不同的帕累托最优解集,从而学习完整的稀疏分布。同时,MOEA-MPESGO使用稀疏遗传算子来帮助各子种群收敛到对应的等效帕累托最优解集。本文在SMOP系列和SMMOP系列测试问题上,分别将两种方法与多种先进的MOEAs进行了对比,验证了 ESGO算子的通用性以及MOEA-ESGO解决实际问题时的有效性,实验表明,本文提出的两种方法在不同的测试问题下都具有优秀的表现。

关键词：进化算法大规模稀疏多目标优化稀疏帕累托最优解集遗传算子多模态多目标优化

来源：评论

学校读者我要写书评

暂无评论

基于进化算法的大规模稀疏多目标优化问题求解

基于进化算法的大规模稀疏多目标优化问题求解

引用

作者：鲁昶安徽大学

学位级别：硕士

多目标优化问题普遍存在于现实生活中的各个领域,但是传统的数学方法并不能很好的求解多目标优化问题。在过去的几十年里,因进化算法具有不需要问题的先验信息和一次运行能得到多个非支配解的特点,而被广泛的应用于求解多目标优化问题... 详细信息

多目标优化问题普遍存在于现实生活中的各个领域,但是传统的数学方法并不能很好的求解多目标优化问题。在过去的几十年里,因进化算法具有不需要问题的先验信息和一次运行能得到多个非支配解的特点,而被广泛的应用于求解多目标优化问题。如今,进化计算领域已对多种多目标优化问题进行了广泛的研究,并且提出了许多行之有效的进化算法。然而对于广泛存在于实际工程应用中的大规模稀疏多目标优化问题(LargeScale Sparse Multi-Objective Optimization Problems),现有的进化算法通常很难进行有效求解。因此,本文对求解大规模稀疏多目标优化问题的进化算法从性能和效率两个方面进行了探索与研究,具体研究内容如下:(1)为了有效的解决大规模稀疏多目标优化问题,针对于其Pareto最优解中只有少量非零变量的稀疏特性,利用模式挖掘的思想,将Pareto最优解当作事务,从中挖掘出非变量的组合模式,从而减小了搜索空间。基于此,本文提出了一种基于模式挖掘的大规模稀疏多目标进化算法(PM-MOEA)。PM-MOEA采用了一种多目标模式挖掘算法来挖掘Pareto最优解中非零变量的最大和最小候选集,并使用它们来指导产生子代种群。在8个基准测试问题和4个实际应用问题上的实验结果表明,提出的算法在解决大规模稀疏多目标优化问题优于现有的进化算法。(2)对于大规模稀疏多目标优化问题,算法的效率和性能同样重要;而就函数评价次数而言,现有的大部分进化算法是低效的。随着大规模稀疏多目标优化问题规模的逐渐增长,发展高效求解大规模稀疏多目标优化问题是非常必要的。因此,本文提出了一种基于Pareto最优子空间学习的大规模稀疏多目标进化算法(MOEA/PSL)。MOEA/PSL在进化的过程中分别使用两个无监督神经网络,受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)和降噪自动编码机(Denoising Autoencoder,DAE)去学习Pareto最优子空间,这将会极大的减小搜索空间。首先,在学习到的Pareto最优子空间中进行交叉变异操作;然后,通过两个无监督神经网络来将前面得到子代映射回原搜索空间。在8个基准测试问题和8个实际应用问题上的结果表明,提出的算法仅使用少量函数评价次数就可以有效的解决具有超过10000个决策变量的大规模稀疏多目标优化问题。

关键词：多目标优化大规模稀疏多目标优化进化算法模式挖掘无监督神经网络

来源：评论

学校读者我要写书评

暂无评论

求解大规模稀疏优化问题的多目标进化算法研究及应用

求解大规模稀疏优化问题的多目标进化算法研究及应用

引用

作者：沈俊烨南京信息工程大学

学位级别：硕士

随着社会的发展,多目标优化问题在科学研究与工程设计等领域具有广泛应用。该类问题在优化过程中需要同时考虑多个相互竞争或关联的目标函数,解决这类问题的挑战在于寻找一组解,使得在多个目标函数上能够达到均衡。多目标优化问题属于N... 详细信息

随着社会的发展,多目标优化问题在科学研究与工程设计等领域具有广泛应用。该类问题在优化过程中需要同时考虑多个相互竞争或关联的目标函数,解决这类问题的挑战在于寻找一组解,使得在多个目标函数上能够达到均衡。多目标优化问题属于NP难题,当优化问题的决策维度超过一百时,搜索空间呈指数级的增长,传统的进化算法难以快速搜索出有效解。当决策空间规模过大且最优解属于稀疏的情况时,则称该问题为大规模稀疏多目标优化问题。对于该类稀疏优化问题,通常将决策变量分解为二进制向量和实数向量两个部分,并对这两个部分进行分别优化。为了优化进化算法在处理大规模稀疏多目标优化问题中的性能,本文从决策变量的二进制向量和实数向量两个角度出发,探讨了种群进化的收敛性和多样性分布。基于进化算法的框架,本文提出了两种改进策略,并将其应用于大规模稀疏多目标优化问题的求解中。本文的研究工作和创新点具体如下: (1)针对二进制向量降维效率及所求解收敛性不佳的问题,提出自适应RBM降维策略,形成基于无监督神经网络降维的大规模稀疏进化算法。为了解决使用神经网络的耗时问题,采用向量分组和RBM的自适应使用来有效地降低二进制向量的维数。为了提高寻找稀疏最优解的性能,利用RBM减少的二进制向量来引导实向量的变化,从而通过加强决策变量的两部分之间的关系来提高求解稀疏问题的性能。在稀疏问题测试集和神经网络优化问题上进行对比实验,实验表明,提出的算法比其他先进的进化算法表现出较大的优势。 (2)针对实数向量搜索效率低及种群多样性不足的问题,提出自适应变量模糊策略,形成基于变量模糊策略的大规模稀疏进化算法。该算法采用一种新的变量模糊策略,改进模糊化决策变量的公式以适应大规模稀疏优化问题。所提的算法还采用参数自适应策略,依据当前种群信息的切换模糊化过程中的间隔,使得种群在进化过程中保持收敛性和多样性的平衡。为了验证算法的有效性,在稀疏问题的标准测试函数SMOP上与现有最先进的稀疏进化算法进行比较。为了验证算法的应用有效性,将算法在投资组合优化问题上与其他算法进行对比实验。实验结果表明,所提策略在解的多样性和收敛速度方面都优于对比算法。

关键词：大规模稀疏多目标优化进化算法收敛性分布性

来源：评论

学校读者我要写书评

暂无评论

面向复杂多目标优化问题求解的进化算法研究

面向复杂多目标优化问题求解的进化算法研究

引用

作者：蒋京江苏大学

学位级别：博士

现实世界中的许多优化问题都蕴含多个待优化的目标。这类问题被定义为多目标优化问题。由于多个优化目标之间往往存在一定的冲突性,因此,多目标优化问题的解是一组权衡多个优化目标的折衷解。进化算法,如遗传算法、差分进化算法和粒子... 详细信息

现实世界中的许多优化问题都蕴含多个待优化的目标。这类问题被定义为多目标优化问题。由于多个优化目标之间往往存在一定的冲突性,因此,多目标优化问题的解是一组权衡多个优化目标的折衷解。进化算法,如遗传算法、差分进化算法和粒子群优化算法等,被认为是处理多目标优化问题的一类有效方法,数十年来受到了广泛关注。然而,在求解诸如计算决策变量较多、代价昂贵和Pareto前沿形状不规则等复杂多目标优化问题时,现有的多目标进化算法会出现不同程度的性能衰退,难以产生一组收敛良好且分布均匀的折衷解。本文围绕几类常见的复杂多目标优化问题的求解展开研究,针对性地提出一系列新型多目标进化算法,旨在完善进化算法的理论框架与应用场景,主要研究内容包括:(1)提出基于两阶段优化的多目标进化算法。针对一类决策变量较多且Pareto最优解具有稀疏性的大规模多目标优化问题,即大规模稀疏多目标优化问题,提出基于两阶段优化的多目标进化算法(TS-Sparse EA)。TS-Sparse EA首先采用二进制权重优化算法作为第一阶段优化的算法框架。通过一组低维二进制权重,TS-Sparse EA将原大规模优化问题转变为一个低维优化问题。其次,TS-Sparse EA采用基于混合编码的进化算法,并利用一种编码匹配策略,完成第二阶段优化。二进制权重优化与混合编码将Pareto最优解具有稀疏性这一先验信息耦合于进化过程,而编码匹配策略能够整合不同类型的编码在交叉变异后所形成的子代,三者共同促进种群向Pareto前沿逼近。在SMOP等标准测试集上的实验结果表明,与现有的多目标进化算法相比,TS-Sparse EA能够更加快速有效地产生具有稀疏性的Pareto最优解,在求解大规模稀疏多目标优化问题表现出一定的优势。(2)提出基于层次代理模型的多目标进化算法。针对一类决策变量较多且目标函数计算代价昂贵的多目标优化问题,即高维昂贵多目标优化问题,提出基于层次代理模型的多目标进化算法(HS-MOEA)。一方面,HS-MOEA采用动态分组方法,在每次迭代中将决策变量随机划分为若干组,并对每个决策变量分组分别进行优化。另一方面,HS-MOEA的局部代理模型用于学习对应决策变量分组与目标函数之间的映射关系,而全局代理模型则用于学习全体决策变量与目标函数之间的映射关系,并根据局部代理模型提供的候选解筛选用于真实目标函数评价的潜在最优解。此外,HS-MOEA采用一种基于K-means聚类的训练样本管理方法,旨在削弱隶属于其他分组的决策变量对于局部代理模型的影响。在DTLZ等标准测试集上的实验结果表明,相比于现有的多目标进化算法,HS-MOEA能够于有限的目标函数评价次数内产生更加接近真实Pareto前沿的Pareto最优解集,在求解高维昂贵多目标优化问题时具有一定的竞争力。(3)提出基于局部参考点辅助搜索的分解多目标进化算法。针对一类Pareto前沿形状不规则的多目标优化问题,提出基于局部参考点辅助搜索的分解多目标进化算法(MOEA/D-LRAS)。首先,MOEA/D-LRAS定义全局参考点与局部参考点两个新颖的概念。其中,全局参考点作用于整体权重向量集合,引导目标空间内的全局搜索,局部参考点则作用于部分权重向量成员,引导目标空间局部区域内的精细搜索。然后,MOEA/DLRAS采用一种自适应局部参考点分配策略。该策略根据局部参考点与权重向量成员共同选择的解对当前种群质量的影响,决定是否将局部参考点分配给该权重向量。在DTLZ等标准测试集上的实验结果表明,相比于现有的多目标进化算法,MOEA/D-LRAS能够有效地应对不同形状的Pareto前沿,在求解Pareto前沿形状规则和不规则的多目标优化问题时均表现出一定的优越性。(4)提出面向卷积神经网络结构搜索的分解多目标粒子群优化算法。卷积神经网络结构搜索问题具有搜索空间定义困难、求解成本昂贵等特点,是深度学习中的一类复杂多目标优化问题。针对卷积神经网络结构搜索问题,提出面向卷积神经网络结构搜索的分解多目标粒子群优化算法(MOPSO/D-NAS)。首先,MOPSO/D-NAS利用混合二进制编码表示方法,表达不同卷积神经网络的拓扑结构与操作类型。其次,MOPSO/D-NAS采用一种自适应惩罚因子策略,旨在对目标空间内的决策偏好区域进行更加精细地搜索。在MNIST与CIFAR-10两个数据集上的实验结果证实,相比于现有的卷积神经网络结构搜索方法,MOPSO/D-NAS能够求解得到泛化性能更好且更轻量的卷积神经网络结构。

关键词：进化算法大规模稀疏多目标优化高维昂贵多目标优化不规则Pareto前沿形状卷积神经网络结构搜索

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

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：