基于迁移学习的动态优化算法研究

发布时间：2023-05-13 19:59

　　最优化问题在现实世界中普遍存在,目前对于一般的单目标和多目标的最优化问题的研究已经有了很多成熟的算法。但是在动态多目标优化和多任务优化等复杂问题上还存在着很大的发展空间。对于动态多目标优化问题,本文提出了基于流形的迁移动态多目标优化算法MT-DMOEA。MT-DMOEA的创新点有两个方面:其一是将基于流形的迁移学习方法与基于流形的多目标优化算法进行了深度的融合,其中迁移学习方法用于预测新时刻初始种群,而多目标优化算法用于求解新时刻下的多目标优化问题;其二是使用了一个新的记忆机制,它将前几代的最优解都记录到外部存储空间中,同样用于预测新时刻的初始种群。MT-DMOEA将两种方法预测得到的初始种群进行合并,然后在该初始种群的基础上使用多目标优化方法对新时刻下的问题进行求解。通过实验证明MT-DMOEA与一些流行的动态多目标优化算法相比,求出的最优解具有更好的收敛性和多样性。对于多任务优化问题,本文提出了基于粒子群的单目标多任务优化算法MTOPS,和基于粒子群的多目标多任务优化算法MTOMOPS,分别用于解决单目标的多任务优化问题和多目标的多任务优化问题。MTOPS和MTOMOPS都是基于粒...

【文章页数】：112 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
        1.1.1 单目标优化问题
        1.1.2 多目标优化问题
        1.1.3 优化问题研究难点
    1.2 本文主要工作
    1.3 本文组织形式
第二章 基于流形的迁移动态多目标优化算法
    2.1 动态多目标优化问题概述
        2.1.1 动态多目标优化问题简介
        2.1.2 动态多目标优化问题研究综述
    2.2 基于迁移学习的动态多目标优化算法
        2.2.1 迁移成分分析
        2.2.2 Tr-DMOEA算法
    2.3 基于流形的迁移动态多目标优化算法
        2.3.1 背景知识:流形和基于流形的迁移学习算法
        2.3.2 背景知识:基于流形的多目标优化算法
        2.3.3 提出的算法:MT-DMOEA
    2.4 实验及结果分析
        2.4.1 与SGEA对比
        2.4.2 结构有效性验证实验
        2.4.3 与Tr-RM-MEDA对比
    2.5 本章小结
第三章 多任务优化问题研究
    3.1 多任务优化问题简介
    3.2 单目标的多任务优化问题
        3.2.1 单目标的多任务优化问题范例:MFO
        3.2.2 单目标的多任务优化算法:MFEA
        3.2.3 单目标的多任务优化算法研究现状
        3.2.4 单目标的多任务粒子群优化算法:MTOPS
        3.2.5 实验结果及分析
    3.3 多目标的多任务优化问题
        3.3.1 多目标的多任务优化问题范例:MO-MFO
        3.3.2 多目标的多任务优化算法:MO-MFEA
        3.3.3 多目标的多任务优化算法研究现状
        3.3.4 多目标的多任务粒子群优化算法:MTOMOPS
        3.3.5 实验结果及分析
    3.4 本章小结
第四章 动态多目标的多任务优化算法研究
    4.1 动态多目标的多任务优化问题简介
    4.2 基于迁移学习的动态多目标的多任务优化算法
        4.2.1 背景知识:结合全局和局部度量的迁移学习算法
        4.2.2 本文提出的算法:d-MTOMOPS
    4.3 实验结果分析
        4.3.1 测试函数
        4.3.2 实验结果
    4.4 本章小结
第五章 总结与展望
参考文献
附录A 动态多目标优化标准测试函数
附录B 结构有效性验证实验结果
附录C 多任务优化标准测试函数
    C.1 单目标的多任务优化标准测试函数
    C.2 多目标的多任务优化标准测试函数
硕士期间发表论文
致谢



本文编号：3816418