检索结果-内蒙古大学图书馆

控制与决策 2022年第11期37卷 2808-2817页

作者：覃灏李军华南昌航空大学江西省图像处理与模式识别重点实验室南昌330063

一般的高维多目标进化算法无法有效处理不同类型的Pareto前沿.针对这一情况,提出一种基于种群关联策略和强化解集准则的高维多目标进化算法(many-objective evolutionary algorithm based on population association strategy and enhan... 详细信息

一般的高维多目标进化算法无法有效处理不同类型的Pareto前沿.针对这一情况,提出一种基于种群关联策略和强化解集准则的高维多目标进化算法(many-objective evolutionary algorithm based on population association strategy and enhanced solution set criterion,MaOEA/PAS-ESC).该算法在环境选择中采用种群关联策略(population association strategy,PAS)和强化解集准则(enhanced solution set criterion,ESC)协同指导种群进化.PAS利用解与参考向量的角度和欧氏距离以及种群中解之间的距离构建角度与距离联合函数(joint function of angle and distance,JFAD),选择多样性良好的解,然后ESC利用参考点与种群间的联系组成适应度函数,选择收敛性良好的解,以共同达到有效平衡多样性和收敛性的目的.实验结果表明,采用MaOEA/PAS-ESC处理高维多目标优化问题具有更强的竞争性能,而且提高了处理不同类型Pareto前沿的能力.

关键词：高维多目标进化算法种群关联策略强化解集准则种群进化角度与距离联合函数

来源：评论

学校读者我要写书评

暂无评论

基于自适应参考向量和参考点的高维多目标进化算法

引用

控制与决策 2024年第3期39卷 759-767页

作者：覃灏李军华黎明徐三水南昌航空大学江西省图像处理与模式识别重点实验室南昌330063

研究表明,现有的多目标进化算法在处理具有不同Pareto前沿的优化问题时难以有效平衡种群的收敛性与多样性.鉴于此,提出一种基于自适应参考向量和参考点的高维多目标进化算法(adaptive reference vector and reference point based many-... 详细信息

研究表明,现有的多目标进化算法在处理具有不同Pareto前沿的优化问题时难以有效平衡种群的收敛性与多样性.鉴于此,提出一种基于自适应参考向量和参考点的高维多目标进化算法(adaptive reference vector and reference point based many-objective evlolutionary algorithm, ARVRPMEA). ARVRPMEA主要利用种群稀疏性自适应调整参考向量和参考点以提高种群多样性,首先,生成均匀分布的参考向量子集和参考点子集,并利用该参考向量子集分解种群;然后,根据规模最大子种群中解的分布情况生成新的参考向量和参考点,直至满足参考向量集和参考点集规模;最后,为进一步提高种群收敛性,该算法结合指标进行环境选择以保存收敛性较高的个体进入下一代种群.实验结果表明, ARVRP算法在求解具有不同Pareto前沿的问题方面具有良好的性能.

关键词：进化算法高维多目标进化算法自适应参考向量和参考点分解种群

来源：评论

学校读者我要写书评

暂无评论

MaOEA/A2R:一种基于A2R支配关系的高维多目标进化算法

引用

电子学报 2024年第8期52卷 2758-2772页

作者：谢承旺付世炜华南师范大学数据科学与工程学院广东汕尾516600 南宁师范大学计算机与信息工程学院广西南宁530100

传统的Pareto支配关系在高维目标空间存在固有缺陷,而一些改进的支配方法在平衡高维目标解群的收敛性与多样性上尚有提升空间.基于此,提出一种参考向量关联区域(小生境)自动缩减的支配关系A2R(dominance relation based on the Automati... 详细信息

传统的Pareto支配关系在高维目标空间存在固有缺陷,而一些改进的支配方法在平衡高维目标解群的收敛性与多样性上尚有提升空间.基于此,提出一种参考向量关联区域(小生境)自动缩减的支配关系A2R(dominance relation based on the Automatically reduced region Associated with the Reference vector).该支配方法在进化全过程中逐代缩减小生境规模,从而实现收敛性与多样性自动平衡,而且不引入额外参数.另外,提出利用基于L_(p)-范式(p=1/M,M为目标数)的拥挤距离度量高维目标解群的多样性.将上述两种策略嵌入到经典的NSGA-II(Nondominated Sorting Genetic Algorithm II)框架,设计一种基于A2R支配关系的高维多目标进化算法MaOEA/A2R(Many-Objective Evolutionary Algorithm base on A2R).该算法与其他5种代表性的高维多目标进化算法一同在5-、10-、15-和20-目标的DTLZ(benchmark MOP proposed by Deb,Thiele,Lau-manns,and Zitzler)和WFG(benchmark MOP pro-posed by Walking Fish Group)基准测试问题上进行IGD(Inverted Generational Distance)和HV(Hyper Volume)性能测试.结果表明,MaOEA/A2R算法总体上具有较好的收敛性和多样性.由此表明,MaOEA/A2R是一种颇具前景的高维多目标进化算法.

关键词：进化算法高维多目标优化问题改进支配关系高维多目标进化算法

来源：评论

学校读者我要写书评

暂无评论

基于指标选择和密度评估删除的高维多目标进化算法

引用

控制与决策 2023年第10期38卷 2805-2814页

作者：张伟刘建昌谭树彬刘圆超东北大学信息科学与工程学院沈阳110819

尽管许多高维多目标进化算法已被提出,但平衡种群收敛性与多样性的困难仍然存在.对此,提出一种基于指标选择和密度评估删除的高维多目标进化算法(indicator selection and density estimation deletion-based manyobjective evolutionar... 详细信息

尽管许多高维多目标进化算法已被提出,但平衡种群收敛性与多样性的困难仍然存在.对此,提出一种基于指标选择和密度评估删除的高维多目标进化算法(indicator selection and density estimation deletion-based manyobjective evolutionary algorithm,MaOEA/IS-DED).该算法在环境选择过程中采用基于I_(ε)+(x,y)指标的选择策略和基于移动的密度评估删除机制协作逐一剔除种群中收敛性和多样性差的个体,进而使种群个体从多样性好的搜索方向上收敛于真实Pareto前沿,完成平衡收敛性与多样性.具体地,前者选择I_(ε)+(x,y)指标值最小的一对个体,其在空间中表现为搜索方向最相似的个体;后者利用自身兼顾种群收敛性和多样性的特性,比较被选的这对个体且删除这对个体中收敛性和多样性较差的个体.实验结果表明,MaOEA/IS-DED算法在处理高维多目标优化问题时能获得较强的竞争性能.

关键词：高维多目标进化算法指标选择策略密度评估删除机制收敛性多样性

来源：评论

学校读者我要写书评

暂无评论

基于自适应支配准则的高维多目标进化算法

引用

电子学报 2020年第8期48卷 1596-1604页

作者：孙文静李军华黎明南昌航空大学江西省图像处理与模式识别重点实验室江西南昌330063

基于松弛支配的高维多目标进化算法(Many-objective Evolutionary Algorithms,MaOEAs)由于能够有效地提高区分解的能力,受到广泛关注,但该类大多数算法处理不同目标的优化问题时普适性较差.针对这个问题,本文提出一种基于自适应支配准... 详细信息

基于松弛支配的高维多目标进化算法(Many-objective Evolutionary Algorithms,MaOEAs)由于能够有效地提高区分解的能力,受到广泛关注,但该类大多数算法处理不同目标的优化问题时普适性较差.针对这个问题,本文提出一种基于自适应支配准则的高维多目标进化算法(Adaptive Dominance Criterion Based Evolutionary Algorithm for Many-objective Optimization,ADCEA).首先,自适应准则(Adaptive Dominance Criterion,ADC)根据目标空间中相邻解间的角度信息和目标数目,设计一种自适应小生境方法,并结合收敛性指标信息,实现对候选解的非支配排序.然后,为了进一步增强种群的多样性,在环境选择中引入参考向量分割种群技术;最后,构建合理的适应度函数,并根据适应度值大小选取收敛性和多样性较好的非支配解集.实验证明,本文所提的方法在处理不同目标的优化问题时普适性提高,并在平衡种群的收敛性和多样性上取得显著效果.

关键词：松弛支配高维多目标进化算法普适性自适应支配准则

来源：评论

学校读者我要写书评

暂无评论

MaOEA/d^(2):一种基于双距离构造的高维多目标进化算法

引用

软件学报 2023年第4期34卷 1523-1542页

作者：谢承旺郭华韦伟姜磊华南师范大学数据科学与工程学院广东汕尾516600 南宁师范大学计算机与信息工程学院广西南宁530100 湖南科技大学计算机科学与工程学院湖南湘潭411202

传统的基于Pareto支配关系的多目标进化算法(MOEA)难以有效求解高维多目标优化问题(MaOP).提出一种利用PBI效用函数的双距离构造的支配关系,且无需引入额外的参数.其次,利用双距离定义了一种多样性保持方法,该方法不仅考虑了解个体的双... 详细信息

传统的基于Pareto支配关系的多目标进化算法(MOEA)难以有效求解高维多目标优化问题(MaOP).提出一种利用PBI效用函数的双距离构造的支配关系,且无需引入额外的参数.其次,利用双距离定义了一种多样性保持方法,该方法不仅考虑了解个体的双距离,而且还可以根据优化问题的目标数目自适应地调整多样性占比,以较好地平衡高维目标解群的收敛性和多样性.最后,将基于双距离构造的支配关系和多样性保持方法嵌入到NSGA-II算法框架中,设计了一种基于双距离的高维多目标进化算法MaOEA/d^(2).该算法与其他5种代表性的高维多目标进化算法一同在5-、10-、15-和20-目标的DTLZ和WFG基准测试问题上进行了IGD和HV性能测试,结果表明,Ma OEA/d^(2)算法具有较好的收敛性和多样性.由此表明,Ma OEA/d^(2)算法是一种颇具前景的高维多目标进化算法.

关键词：进化算法高维多目标优化问题多样性收敛性高维多目标进化算法

来源：评论

学校读者我要写书评

暂无评论

高维多目标进化算法的收敛性与分布性研究

高维多目标进化算法的收敛性与分布性研究

引用

作者：柏卉湘潭大学

学位级别：硕士

进化算法能够不受问题性质的限制,如连续性和非连续性,凹、凸问题,多目标和多约束优化问题,有效地处理传统优化算法(如微分法和穷举法)难以解决的复杂问题。多目标进化算法(multi-objective evolutionaryalgorithm,MOEAs)能够在多个有... 详细信息

进化算法能够不受问题性质的限制,如连续性和非连续性,凹、凸问题,多目标和多约束优化问题,有效地处理传统优化算法(如微分法和穷举法)难以解决的复杂问题。多目标进化算法(multi-objective evolutionaryalgorithm,MOEAs)能够在多个有冲突的目标情况下,寻求一组折中解。经典的多目标进化算法(如NSGA-II和SPEA2)在求解只有2到3个目标的优化问题时,都能获得较好的Pareto最优解集。而现实世界中的大多数优化问题都属于高维多目标优化问题(many-objective optimization problems,MaOPs),即目标个数大于3。过去经典的多目标进化算法已经不再适用于MaOPs,主要原因有两个:第一、随着目标维数的增加,使用Pareto支配关系无法区分个体的好坏,非支配个体的数目指数增加,使得算法的收敛压力大大降低;第二、在Pareto支配关系失效后,以分布性保持机制为主导的选择标准使得算法偏好于分布性好的个体,而保留这样的个体虽能保持种群的多样性,却进一步影响算法的收敛能力。本文在充分分析了目前高维多目标进化算法(many-objective evolutionary algorithms,MaOEAs)的研究现状及其存在的优缺点的基础上,提出了一种基于Pareto支配关系的MaOEAs和一种基于聚合的MaOEAs中权重的产生方法。针对基于Pareto支配关系的MOEAs在高维上收敛压力显著下降的现象,提出一种空间划分的选择策略和基于角度的修剪策略相结合的环境选择策略,用于增加基于Pareto支配关系的MOEAs在高维上的收敛性和分布性。基于空间划分的选择策略将目标空间划分为多层子空间,并在每一层子空间中选择收敛性好的个体,这样能在保证分布性的前提下选择收敛性好的个体。基于角度的修剪策略引入个体之间的夹角作为剔除多余个体的标准,个体之间的夹角不仅包含了分布信息,同时也包含了收敛信息。通过这两个策略的结合来提高算法的收敛性,同时保持分布性。与5个经典的MaOEAs比较的实验结果表明,该算法在解决高维问题时,能获得收敛性和分布性较好的最终解集。由于MOEA/D算法的提出,基于聚合的MaOEAs近年来获得了十分广泛的研究与关注。这类算法的性能很大程度上受权重分布的影响。因此,本文提出一种使用MOEAs来产生高维上均匀分布的权重的方法。该方法首先初始化数量较大的种群,使用经典的EMO算法NSGA-II优化该种群,然后使用SPEA2算法中的修剪策略将优化后的种群修剪到预定的数目,将最终的种群作为权重。实验表明,与使用单纯形点法产生的权重相比较,使用该方法产生的权重能显著提高5个基于聚合的MOEAs在退化问题和非连续性问题上的收敛性和分布性。

关键词：多目标优化高维多目标优化进化算法高维多目标进化算法

来源：评论

学校读者我要写书评

暂无评论

基于空间距离和决策向量自学习的高维多目标进化算法研究

基于空间距离和决策向量自学习的高维多目标进化算法研究

引用

作者：曾成洲华南农业大学

学位级别：硕士

多目标优化问题普遍存在于现实生活中，在社会科学、自然科学和工业工程领域有着广泛应用，同时也是进化领域中的研究热点和难点之一。虽然大多数的多目标进化算法在解决多目标优化问题时表现良好，但在遇到含有3个以上目标的高维多目... 详细信息

多目标优化问题普遍存在于现实生活中，在社会科学、自然科学和工业工程领域有着广泛应用，同时也是进化领域中的研究热点和难点之一。虽然大多数的多目标进化算法在解决多目标优化问题时表现良好，但在遇到含有3个以上目标的高维多目标优化问题时会出现性能退化，无法完全满足社会日益发展的需求。通过文献阅读与实验论证发现随着优化问题的目标个数不断增多，优化难度急剧增加的主要原因有：算法本身搜索能力不足、非支配解个数的急剧增加大大降低了种群朝着真实Pareto前端的选择压力与收敛性和分布性难以平衡。针对上述问题，本文提出了一种有利于解决高维多目标优化问题的高维多目标进化算法。本文主要工作和创新点如下：　　（1）对决策变量进行分类。根据决策变量的控制性质(收敛性或分布性)，采用只改变决策向量中的某一维决策变量的值，其它维的值保持不变，产生的新决策向量与原来的决策向量在目标空间进行Pareto支配关系比较来对决策变量进行分类。　　（2）构造半径和分布性向量，并利用它们提出了一种新的生成后代个体的方法以及实现决策向量自学习。大部分多目标进化算法是用交叉和变异的方式生成全部后代种群个体，本文算法以对决策变量分类后构造的分布性向量为指导，在一定大小的比例范围内对个体中控制分布性的决策变量的值进行改变，而其它维的值保持不变来生成部分新的后代个体。通过对每次迭代生成的后代个体与父代个体之间的欧氏距离与半径进行大小比较的结果，指导决策变量扰动比例数值的改变来实现决策向量自学习，进而使种群在进化过程中通过对决策向量某一维决策变量扰动后生成的后代个体与父代个体之间的欧氏距离能不断逼近半径的大小，这样有利于改善种群的分布性。　　（3）提出新的PF形状估计方法且根据不同的PF形状设计相应的个体适应度值计算公式。将PF的凸、凹和线性三种形状与三个数值范围相对应，然后统计自适应归一化后所有个体的每个目标函数值之和在三个数值范围内的个数，个数最多的数值范围所对应的PF形状就被认为是此代的PF形状。在筛选个体时，利用最小距离策略和适应度值好的个体优先保留策略，可以增加种群的选择压力和改善种群的收敛性与分布性。　　为了验证算法的有效性，选取了被广泛使用的DTLZ和WFG测试集来测试。通过与其它五个目前所流行的（高维）多目标进化算法的实验结果分析与综合指标HV和IGD对比，显示出本文算法在解决高维多目标优化问题上有着良好的表现。

关键词：高维多目标进化算法欧氏距离决策向量分布性变量

来源：评论

学校读者我要写书评

暂无评论

基于指标的高维多目标进化算法研究

基于指标的高维多目标进化算法研究

引用

作者：刘志达福建农林大学

学位级别：硕士

高维多目标优化问题(Many-Objective Optimization Problem,MaOP)指的是具有三个或三个以上优化目标的优化决策问题。这类问题在实际工程和科学领域中频繁出现,例如工程设计、金融投资组合优化、机器学习模型选择等。传统的多目标进化算... 详细信息

高维多目标优化问题(Many-Objective Optimization Problem,MaOP)指的是具有三个或三个以上优化目标的优化决策问题。这类问题在实际工程和科学领域中频繁出现,例如工程设计、金融投资组合优化、机器学习模型选择等。传统的多目标进化算法(Multi-Objective Evolutionary Algorithms,MOEAs)在处理高维问题时常常面临维度灾难和多样性难以维持等方面的挑战,导致难以有效搜索到全局或局部最优解。高维多目标进化算法(Many-Objective Evolutionary Algorithms,MaOEAs)是一种有效解决MaOP的方法,其具有广泛的适用性、强大的搜索能力和高质量的解集生成能力。其中基于指标的MaOEAs在提高解决方案质量、增强多样性、应对高维度问题挑战等方面表现出显著优势,但也存在一些问题和挑战。目前主要问题包括局部收敛性、指标选择与权衡、算法参数调节以及收敛性和多样性的平衡。解决这些问题不仅有助于提高算法的性能和效率,还可以推动该领域的进一步发展和应用。针对上述问题,本文对基于指标的MaOEAs进行了深入研究,旨在进一步提升其性能,借鉴了过往对MaOEAs的研究成果。主要聚焦于解的评价指标设计、算法的进化操作以及基于指标的选择机制这三方面展开了研究,本文工作主要包括以下两个方面: (1)提出了一种基于反向学习逐一选择的MaOEAs。为了更好地评价解的多样性,本文设计了一种新的多样性指标,并基于正弦余弦算法设计了相应的优化策略,对当前表现较好的解进行局部搜索,使其更接近帕累托前沿。引入反向学习的优化策略,对多样性较差的个体进行反向学习,使其在更广泛的空间中进行搜索,从而增强解的多样性。此外,反向学习还能避免算法陷入局部最优值,并扩大搜索范围。 (2)提出了一种基于综合指标双重选择的MaOEAs,该算法采用多个收敛性指标和多样性指标设计的选择机制。通过动态奖惩机制结合收敛性指标和多样性指标,构建了一个综合指标。算法进行两次选择:在第一次选择中,交替使用收敛性和多样性指标选择最佳个体,并基于综合指标保留潜在性能较好的解;在第二次选择中,利用K均值聚类算法对第一次选择的解进行聚类,选择性能更好的个体,以进一步平衡种群的多样性和收敛性。对DTLZ、WFG和MaF三类测试问题进行了性能测试,并将其与另外五种MaOEAs以及最新的MaOEAs进行了对比分析。结果显示,基于反向学习逐一选择的MaOEAs和基于综合指标双重选择的MaOEAs整体性能优于其他对比算法,并在最新的MaOEAs展现出了一定的竞争性。

关键词：高维多目标进化算法反向学习奖惩机制指标设计

来源：评论

学校读者我要写书评

暂无评论

基于参考点的高维多目标进化算法的研究

基于参考点的高维多目标进化算法的研究

引用

作者：刘凯松中原工学院

学位级别：硕士

最近几年,科学技术得到快速发展,在工程实践、生产生活等诸多领域出现了各种优化问题。进化算法作为一种具有代表性的智能优化算法,由于其能够解决不连续、不可导函数的性能以及其他优越的性能,已经引起了很多学者的关注和研究。随着工... 详细信息

最近几年,科学技术得到快速发展,在工程实践、生产生活等诸多领域出现了各种优化问题。进化算法作为一种具有代表性的智能优化算法,由于其能够解决不连续、不可导函数的性能以及其他优越的性能,已经引起了很多学者的关注和研究。随着工程实践和科学研究的进一步应用,高维多目标优化问题已逐渐进入科研人员的视野。在高维多目标优化问题中,随着目标函数规模增大,非线性随之增加,整体复杂性也随之变大,对智能算法的求解性能也有了越来越高的需求。本文通过研究高维多目标优化问题,介绍了高维多目标进化算法的相关定义,描述了当前多目标进化算法处理高维多目标问题时所遇到的难点,并对近年来提出的高维多目标进化算法进行了详细的分类及介绍。为了更好地解决高维多目标优化问题,对经典非支配排序遗传算法和基于参考点的高维多目标进化算法进行了深入研究。通过参考点生成策略的初步改进,将其与快速非支配遗传算法相结合,形成能够解决高维多目标问题的一种新的遗传算法。通过对参考点生成策略的再次改进,将改进后的参考点生成策略与基于参考点的高维多目标进化算法相结合,标准测试函数的试验结果表明,改进的参考点进化算法可以有效的解决高维多目标问题。

关键词：进化算法高维多目标优化问题高维多目标进化算法参考点

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：