导读:本文包含了多目标进化算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:目标,算法,免疫,自适应,生境,螺旋桨,算子。
多目标进化算法论文文献综述
杨路春,杨晨俊,李学斌[1]（2019）在《基于多目标进化算法和决策技术的螺旋桨优化设计研究》一文中研究指出论文采用RNSGA-Ⅱ-SBJG优化算法,开展考虑兼顾推进效率、空泡、激振力及桨叶强度等要求的螺旋桨优化设计。该算法基于实数编码的非支配排序多目标遗传算法RNSGA-Ⅱ,并引入跳变基因算子以提升基因多样性、加快寻优进程。此外,还引入灰色关联度分析方法,通过计算Pareto解集与理想解的关联度,对优化解集进行评价排序。应用上述方法,对某集装箱船螺旋桨进行了船桨匹配和船机桨匹配情况下的优化设计。数值结果表明,Pareto解集分散良好,基于灰色关联度分析的优化解评价方法能够有效和合理地选取优化设计方案。(本文来源于《中国造船》期刊2019年03期）
黎明,段茹茹,陈昊,谢惠华[2]（2019）在《基于IGD~+S指标的高维多目标进化算法》一文中研究指出如何有效评价个体是处理高维多目标优化问题的关键.文中提出改进的反世代距离(IGD~+S)指标,以反世代距离(IGD)指标为原型,融合修改的反世代距离(IGD~+)指标的弱支配性,增加无贡献个体概念,可综合评价解集收敛性和多样性.将IGD~+S指标嵌入进化算法框架中,提出基于IGD~+S指标的高维多目标进化算法.在环境选择过程中,根据IGD~+S选择优良个体.实验表明,文中算法在处理DTLZ问题和WFG问题上具有良好的竞争力.(本文来源于《模式识别与人工智能》期刊2019年09期）
康锰,许峰[3]（2019）在《多进化策略自适应免疫多目标进化算法》一文中研究指出为了在基于克隆选择的免疫多目标进化算法中提高种群的多样性,提出了一种基于目标函数变化率的多进化策略自适应免疫多目标进化算法,以采用克隆选择的免疫多目标进化算法为基础,根据目标函数的变化率,在不同的进化阶段自适应地选择两种不同的差分进化策略,在保证算法收敛速度的同时兼顾种群的多样性,避免算法陷入局部最优。选用DTLZ测试函数对新算法进行了性能测试,并与其它算法进行了比较。结果显示,新算法解的分布性和均匀性有了一定程度的提高。(本文来源于《安徽理工大学学报(自然科学版)》期刊2019年05期）
翟志波,宋光婕[4]（2019）在《基于双种群进化策略的教与学-免疫克隆多目标进化算法》一文中研究指出目的用基于双种群进化策略的教与学-免疫克隆多目标进化算法(multi-objective teaching-learning-based optimization with immune clone algorithm, MTLBO-ICA),解决无约束多目标优化问题。方法将局部搜索能力强的免疫克隆算法(immune clone algorithm, ICA)与全局搜索能力强的教与学优化算法(teaching-learning-based optimization,TLBO)算法相结合;采用Pareto交叉算子,使得优秀个体基因尽可能得到保留;采用Pareto支配的策略,将种群分为非支配个体和支配个体。结果相比于经典的多目标优化算法NSGA-II,SPEA2以及MOTLBO,MTLBO-ICA算法得到的Pareto曲线与真实Pareto曲线拟合的比较好。结论 MTLBO-ICA在收敛性和分散性方面都有很好的表现,能有效解决无约束多目标进化问题。(本文来源于《宝鸡文理学院学报(自然科学版)》期刊2019年02期）
陈磊[5]（2019）在《多目标进化算法理论、算法设计与应用研究》一文中研究指出多目标优化问题普遍存在于社会生活、生产的各个领域,但是用传统的数学方法来求解多目标优化问题并不能取得很好的效果。近年来,随着计算机技术的发展和人工智能的兴起,基于计算机技术的计算智能得到了快速的发展。作为计算智能的一个重要分支,进化计算求解多目标优化问题已经成为计算智能领域的一个研究热点。进化计算最初是指受生物进化启发而设计的基于种群的优化算法,现在己经发展成为各种受自然启发的算法和技术的统称。如今,多目标进化算法已经被广泛地应用在社会的各个领域,正在深刻的改变科学研究和生产实践应用等的方方面面。然而,多目标进化算法薄弱而滞后的数学理论研究己经严重阻碍了其在计算智能领域的进一步应用与发展。本文对多目标进化算法的理论、算法设计以及相应的实际应用进行了深入地研究。首先,针对多目标优化问题中的一类搜索不均衡问题,从理论上分析了造成搜索不均衡问题的原因,分析并定义了叁类主要的搜索不均衡问题。针对这类搜索不均衡的问题设计出了一类基于种群分解的算法,并通过一系列的数值仿真实验验证了所提出算法的有效性。其次,本文研究了基于分解的进化多目标优化算法中内在并行性的外在控制理论。在此理论的基础上,着重研究了叁个具有代表性的基于分解的多目标优化算法的内在并行性的外在控制。第叁,通过定义选择算子对分解向量扰动的敏感性,从理论上研究了目标归一化和惩罚因子对基于惩罚边界交叉的选择算子(PBI)的进化多目标优化算法的影响。第四,从理论上探究了非劣支配排序在高维多目标分解算法的作用,并通过实验验证该理论。第五,针对具有退化和不连续性的复杂前沿界面的高维多目标优化问题提出了动态搜索资源分配的理论。根据此理论设计了一种退化多目标优化问题的动态搜索资源分配策略。第六,研究了叁种常用分解方法之间的理论联系,从理论上说明这叁种算法本质上的相似性。第七,将基于种群分解策略应用于多目标搜索不平衡跟踪区域规划的问题模型。最后,研究了一个新的叁聚类多目标优化模型,并设计了一个新的基于种群分解的多目标优化算法来求解所提出的模型。本文的主要贡献如下:1)研究了多目标优化问题中的搜索不均衡理论。针对多目标优化问题中的一类具有搜索不均衡特点的问题,首先研究并给出了多目标搜索不均衡问题的定义。继而从理论上分析了造成搜索不均衡的原因,阐述并指出了叁类主要的搜索不均衡问题。然后根据这些理论分析,构造了一系列搜索不均衡的高维多目标优化的测试函数。为了有效的求解这类搜索不均衡的多目标优化问题,研究了基于种群分解的多目标优化算法(MOEA/D-M2M)框架下各种选择因子有效性的问题。理论上说,任何已有的优化算法都可以被用于这些多目标子问题的优化。为了验证这个理论,本文把经典的多目标优化算法应用到MOEA/D-M2M框架下,并通过实验仿真和对比验证它们的有效性。2)研究了基于分解的进化多目标优化算法中内在并行性的外在控制理论。内在并行性作为基于种群的多目标进化算法的基本特性,在搜索多目标优化问题的多个Pareto最优解上有着天然的优势。然而,对于高维多目标优化问题,这种内在的并行性太广泛以至于大部分算法的效果不是很好。为了解释这个现象,本文提出了内在并行性的外在控制理论,在此理论的基础上,着重研究了叁个具有代表性的基于分解的多目标优化算法的内在并行性的外在控制,并通过实验仿真验证了对内在并行性的外在控制能后很好的提高算法的有效性。3)研究了目标规范化对基于分解的高维目标优化算法选择稳定性的影响。从理论上研究了目标归一化和惩罚参数对基于PBI(惩罚边界交叉)分解的高维多目标优化算法的影响。目标归一化是基于分解的高维多目标优化算法处理目标变化范围不一致的优化问题的一个非常重要的策略,基于种群当前位置的目标归一化策略会对种群与分解向量的对应关系造成扰动。尽管这一现象在以往的很多文献中都得到了很好的认识,但迄今为止对其理论研究还很少。因此,本文从理论上分析了规范化过程中的不稳定性对基于PBI的MOEA/D性能的影响,并提出了一种基于PBI的NSGA-Ⅲ。此外,我们还将PBI度量的惩罚参数的理论下界与帕累托最优解的形状联系起来。通过对DTLZ和WFG测试集问题的大量数值实验仿真,验证了所提出的理论结果。4)研究了非劣支配排序对基于分解的高维优化算法的效果的影响。NSGA-Ⅲ通过结合非劣支配排序和目标分解在求解高维目标优化问题中取得了重大的成功。在非劣支配排序对于高维目标优化问题的的种群选择的作用不大的共识下,如何理解非劣排序在NSGA-Ⅲ所起的作用成为一个很重要的研究问题。本文从理论说证明了非劣支配排序加上目标分解能获得更好的选择压力,这解释了 NSGA-Ⅲ的选择压力的来源。并进一步通过实验说明了 NSGA-Ⅲ中的非劣支配排序不能简单的用PBI选择来替代。5)研究了叁种基于分解的多目标进化算法常用的目标分解方法:权重和(Weighted-sum)、切比雪夫(Chebyshev)和罚因子边界交叉(Penalty-based boundary intersection)之间的理论联系。首先通过严格的理论分析证明了权重和分解与切比雪夫分解其实是罚因子边界交叉分解的一种特殊方式,即通过合理的设置罚因子,权重和分解和切比雪夫分解可以用罚因子边界交叉分解来表示。这个理论明确地指出了目标分解的实质是确定罚因子边界交叉分解中到分解向量垂直距离和水平距离之间的关系。基于这个理论,一个新的基于分解的支配关系被设计出来。相比与非劣支配,这种新的支配关系可以更好的区分高维多目标优化中的个体,从而提供更大的选择压力。相比于目标分解,这种新的支配关系可以更好的利用分解向量的指导,达到提高搜索效率的目的。为了验证这种新的支配关系的有效性,一个新的多目标进化算法DrEA被提出来,并通过数值仿真实对比验证了其有效性。6)研究了基于分解的多目标优化算法的动态资源分配的理论。针对具有退化和不连续性的复杂前沿界面的高维多目标优化问题提出了动态搜索资源分配的理论。基于分解的多目标优化算法的搜索资源主要由分解向量的分布决定的。在没有先验知识的条件下,大多数基于分解的算法都采用均匀设计分解权重的策略。这种策略在求解具有复杂前沿界面的高维优化问题时遇到了巨大的挑战。为此,本文提出了基于分解的多目标进化算法的动态资源分配理论。根据此理论设计了一种退化多目标优化问题的动态搜索资源分配策略,并通过仿真实验验证算法的有效性。7)研究了一个网络通信工程应用上多目标跟踪区规划问题。跟踪区是第四代(4G)移动通信基站规划中的一个重要概念。在4G移动通信中,为了更好的管理用户,网络覆盖区被划分成一系列小的跟踪区。如何合理的划分跟踪区以及根据跟踪区的大小和数据需求来规划基站建设,涉及到各种硬约束和离散的变量,从而造成了该问题的求解十分复杂。为了更好的求解这个问题,本文首先应用MOEA/D-M2M种群分解,并在此基础上根据跟踪区规划的特点提出了一个新的杂交变异方式。通过实例仿真,验证了所提算法的有效性。8)研究了多目标叁聚类的优化模型。叁维数据集叁聚类的数学模型本质上涉及到同时优化多个互斥的目标。合理的多目标优化模型可以更好的反应叁聚类的本质。为此,本文根据叁聚类的特点为叁聚类的多目标优化模型提出了一个新的优化目标,并设计出相应的优化算法。新的优化算法采用了新的杂交变异方法来更加有效的产生下一代种群。通过在人工叁维数据集和公开的实际时间序列基因数据微阵列上的数值仿真验证了所提出的模型和算法的有效性。(本文来源于《广东工业大学》期刊2019-06-01）
吕文鹏[6]（2019）在《免疫多目标进化算法的研究与应用》一文中研究指出多目标优化问题是进化计算领域的研究热点之一,人工免疫系统是借鉴生物免疫原理与生物免疫机制发展起来的智能系统。将人工免疫系统引入多目标进化算法目前已成为多目标优化中较有潜力的一个研究方向。本文主要研究了叁种改进的免疫多目标进化算法,并将其应用于实际问题。具体内容如下:1.针对免疫多目标进化算法分布性欠佳的缺陷,提出一种基于自适应网格方法的免疫多目标进化算法。基本思想是:对抗体群进行免疫克隆、免疫基因和克隆选择操作后,利用自适应网格方法提高抗体群的多样性。仿真实验结果和统计指标显示,改进算法与常规免疫多目标进化算法相比较,在解的分布性方面有了一定程度的改进。2.在求解某些比较复杂的多目标优化问题时,精确地找出全部Pareto最优前端是非常困难的。为了更好地解决这一问题,在前人相关研究工作的基础上,给出一种双进化模式免疫多目标进化算法。该算法中有两个进化模块,目的是同时改善算法的收敛速度和种群的多样性。第一个模块通过使用由竞争个体组成的子种群来独立地优化每个子目标,此模块中采用不同的进化交叉以优化相应的目标函数。第二个模块采用自适应网络免疫多目标进化算法,通过克隆、选择等操作同时优化所有目标。选择标准测试函数对新算法进行了性能测试,并与其他算法进行了比较,验证了新算法的有效性。3.针对基本免疫多目标进化算法易早熟和局部搜索能力欠佳的缺陷,将多生境免疫多目标进化算法应用于无人机灾情巡查路径优化。基本思想是:在适应值共享的基础上,在选择算子中引入排挤机制,在交叉算子中采用间隔交叉,并使用最相似个体中适应度最差个体替换技术。数值实验表明,多生境免疫多目标进化算法可以大大提高种群的多样性,在一定程度上避免早熟,获得比基本免疫多目标进化算法更优的巡查路径。图[27]表[2]参[54](本文来源于《安徽理工大学》期刊2019-05-30）
赵凤,张咪咪,刘汉强[7]（2019）在《区域信息驱动的多目标进化半监督模糊聚类图像分割算法》一文中研究指出现有的多目标进化聚类算法应用于图像分割时,往往是在图像像素层面上进行聚类,运行时间过长,而且忽略了图像区域信息使得图像分割效果不太理想。为了提高多目标进化聚类算法的分割效果和时间效率,该文将图像区域信息与部分监督信息引入多目标进化聚类,提出图像区域信息驱动的多目标进化半监督模糊聚类图像分割算法。该算法首先利用超像素策略获得图像的区域信息,然后结合部分监督信息,设计融合区域信息和监督信息的适应度函数,接着通过多目标进化策略对多个适应度函数进行优化得到最优解集。最后构造融合区域信息与监督信息的最优解评价指标,实现从最优解集中选取一个最优解。实验结果表明:与已有多目标进化聚类算法相比,该算法不但分割效果有所提升,而且运行效率得以提高。(本文来源于《电子与信息学报》期刊2019年05期）
周克飞[8]（2019）在《基于并行多目标进化算法的大规模复杂网络社团检测研究》一文中研究指出在现实生活中,存在着各种各样的复杂系统,这些复杂系统通常可以抽象地表示为复杂网络。利用社团检测算法对复杂网络进行社团检测,能更好地理解系统结构,挖掘系统潜在的信息,还可以对一些未知的功能和属性进行预测。多目标进化算法具有良好的并行性、全局搜索能力以及对多种函数类可用等优良特性,成为解决复杂网络社团检测问题的重要方法之一。但目前大多数基于进化的社团检测算法都无法很好地处理大规模网络,为了进一步提升社团检测算法在大规模复杂网络上的性能,本文分别提出了基于并行多目标进化的大规模复杂网络非重迭和重迭社团检测算法。本文的主要研究工作如下:(1)提出了基于并行多目标进化的大规模复杂网络非重迭社团检测算法(PMOEA)。为了解决大规模复杂网络的社团检测问题,本文避免直接检测整个网络的社团划分,而是采用多个多目标进化算法并行检测网络中与对应关键点相关的社团。算法主要思想是首先检测出整个网络的关键点,然后运用多个多目标进化算法并行检测网络中与对应关键点相关的社团集合,最后使用单目标进化算法,从与每个关键节点相关的社团集合中来获得整个网络的社团划分。本文采用了与传统多目标社团检测算法不同的优化目标,设计了特别的交叉变异策略,同时缩短了个体编码长度,减小进化过程中种群的搜索空间,有助于发掘出更好的社团结构。配合多线程和分布式计算资源,多个多目标进化算法并行检测,缩短了多目标进化算法检测大规模复杂网络社团的时间。本文验证了PMOEA算法在真实网络和LFR基准网络上的有效性,尤其在大规模复杂网络上,实验结果表明本文提出的PMOEA算法与六个现有的社团检测算法相比具有一定的优势。(2)提出了基于并行多目标进化的大规模复杂网络重迭社团检测算法(PMOEAO)。现实生活中很多复杂网络都是重迭结构的,但在(1)的工作中没有对重迭结构进行特殊考察,无法检测出重迭的社团结构。因此本文在(1)算法的基础上进行进一步改进,提出PMOEAO算法,该算法继承了(1)算法并行处理的机制,同时具有解决重迭社团检测问题的能力。本文算法在(1)算法的MOEA进化过程中加入了候选重迭节点策略来调整社团边界,让改进的MOEA发掘的与单个关键节点相关的社团结构具有更合理的社团边界。之后再选用评价重迭社团划分的扩展模块度作为目标函数,通过单目标进化算法来确定整个网络的重迭社团划分。通过与六个具有代表性的重迭社团检测算法的实验结果的对比表明,PMOEAO算法在解决大规模复杂网络的重迭社团检测问题上具有一定的优势。(本文来源于《安徽大学》期刊2019-05-01）
李森[9]（2019）在《基于多目标进化优化的癌症数据特征选择算法研究》一文中研究指出近年来,癌症逐渐成为全球死亡的主要原因,研究人员为了解决癌症问题付出了巨大的努力。随着微阵列技术的发展,基因表达谱数据被广泛接受,并在癌症诊断研究中产生了深远的影响。基因表达谱数据一般具有高维小样本的特点,研究人员通过不断地研究已经证明了部分基因与癌症相关,但是大部分的基因是与癌症无关或者仅有很少的联系,这些基因的加入对癌症诊断无效甚至会有负面影响。本文为了选取出具有代表性的特征并以提高分类效果而使用特征选择方法去除那些冗余特征。癌症数据的高维性决定了本文所有解决的问题是一个多目标优化问题,特征子集的分类效果和特征数是本文同时要考虑的问题。同时,有部分癌症数据处于类别不平衡状态,因此,本文基于多目标进化算法针对癌症数据的特点设计出了两个特征选择算法。本文的主要研究工作如下:(1)本文提出了用于癌症诊断的识别分子特征的启发式算法(HAMS)。在解决数据维度比较大的数据集时,大多数基于多目标进化优化的特征选择方法会选择先对数据集进行预处理使得维度降到一定的程度,缩小了搜索空间以降低搜索难度,但是一般的数据预处理部分只是简单的用相关性等方法去除一部分特征,而本文最终要寻找的是一个特征子集整体,这样简单的预处理可能会去除一些在特征子集整体中很重要的特征。在HAMS算法中精英指导更新策略贯穿着种群的更新过程,为了使下一代的种群往更好的方向发展,精英指导更新策略使用精英个体计算出一个概率模型,再用概率模型生成一个新的种群。为了加速维度的收敛,本文在生成新种群的过程中加入了截断策略,这种策略使得特征数随着代数的增加而加速收敛。最后对精英个体与新种群合并后的种群使用非支配排序方法产生子代种群。本文在五个癌症数据集上对HAMS和七个特征选择方法进行了比较实验,实验表明HAMS在癌症诊断上可以使用更少的特征达到更好的精度。本文对用HAMS得到的特征进行了生物分析,发现它们中大部分是和癌症相关的。(2)本文提出了解决多类不平衡癌症数据诊断问题的特征选择算法(MOCID-FS)。癌症数据一般是使用微阵列技术得到的数据集,由于其探针数量、样本来源等原因,癌症数据一般具有高维度小样本的特性。虽然癌症数据的样本数量不多,但是很多癌症数据都有类别不平衡的特点,甚至有的癌症数据还是重度不平衡度状态,这对特征选择的分类性能有很大的影响,在分类器训练的过程中很容易忽略小类别样本的分类。本文基于多目标进化优化算法提出了MOCID-FS算法,为了更好的解决问题,本文使用数据集中每个类别的AUC(ROC曲线下与坐标轴围成的面积)值和特征数目作为目标函数,此外本文在种群初始化和变异时都使用优化的策略选择对分类精度有促进效果的特征并且尽可能降低特征的数目。本文在四个数据集上和五个在处理不平衡数据方面经典的算法进行比较实验,实验表明MOCID-FS的效果更优秀。(本文来源于《安徽大学》期刊2019-05-01）
胡涵,李振宇[10]（2019）在《多目标进化算法性能评价指标综述》一文中研究指出多目标进化算法常用于解决较复杂的多目标优化问题,该类算法是基于种群的进化算法,通过产生一组近似Pareto最优解集满足决策者偏好。介绍了多目标优化问题背景知识及相关定义,根据评价指标衡量解集特性,将现有算法性能评价指标分为3类并分别进行阐述,分析、比较其特点与区别。(本文来源于《软件导刊》期刊2019年09期）
多目标进化算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
如何有效评价个体是处理高维多目标优化问题的关键.文中提出改进的反世代距离(IGD~+S)指标,以反世代距离(IGD)指标为原型,融合修改的反世代距离(IGD~+)指标的弱支配性,增加无贡献个体概念,可综合评价解集收敛性和多样性.将IGD~+S指标嵌入进化算法框架中,提出基于IGD~+S指标的高维多目标进化算法.在环境选择过程中,根据IGD~+S选择优良个体.实验表明,文中算法在处理DTLZ问题和WFG问题上具有良好的竞争力.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多目标进化算法论文参考文献
[1].杨路春,杨晨俊,李学斌.基于多目标进化算法和决策技术的螺旋桨优化设计研究[J].中国造船.2019
[2].黎明,段茹茹,陈昊,谢惠华.基于IGD~+S指标的高维多目标进化算法[J].模式识别与人工智能.2019
[3].康锰,许峰.多进化策略自适应免疫多目标进化算法[J].安徽理工大学学报(自然科学版).2019
[4].翟志波,宋光婕.基于双种群进化策略的教与学-免疫克隆多目标进化算法[J].宝鸡文理学院学报(自然科学版).2019
[5].陈磊.多目标进化算法理论、算法设计与应用研究[D].广东工业大学.2019
[6].吕文鹏.免疫多目标进化算法的研究与应用[D].安徽理工大学.2019
[7].赵凤,张咪咪,刘汉强.区域信息驱动的多目标进化半监督模糊聚类图像分割算法[J].电子与信息学报.2019
[8].周克飞.基于并行多目标进化算法的大规模复杂网络社团检测研究[D].安徽大学.2019
[9].李森.基于多目标进化优化的癌症数据特征选择算法研究[D].安徽大学.2019
[10].胡涵,李振宇.多目标进化算法性能评价指标综述[J].软件导刊.2019
论文知识图
