动态多目标协同进化优化理论与方法

发布时间:2024-05-23 01:27
  动态多目标优化问题普遍存在于工业生产和日常生活中,该类问题具有多个相互冲突且随时间变化的目标函数,这些目标函数通常具有多模态特性,还可能包含不确定参数,此外,这类问题决策变量的维数也可能随时间变化,从而大大增加了问题求解的难度。如果直接应用传统的多目标优化方法求解动态多目标优化问题,那么,由于缺乏有针对性的问题变化检测及响应机制,问题的求解效果难以满足需求。鉴于此,本文针对不同类型的动态多目标优化问题,研究高效的问题变化检测及响应策略,提出4类动态多目标进化优化方法,并应用于实际问题的求解。首先,针对传统的动态多目标优化问题,提出基于时间依赖分析的动态多目标合作型协同进化优化方法。该方法基于决策变量与时间的依赖性分析,将决策变量分为两组,即时间依赖决策变量和时间无关决策变量;针对不同组的决策变量,采用不同的子种群协同优化;当问题变化时,分别采用差分预测和柯西变异,预测这两组变量在下一时刻的初始进化种群,以生成新问题的高质量初始解。将所提方法应用于7个基准优化问题中,并与3种经典算法比较。实验结果表明,所提方法解决可分问题时具有更好的性能。然后,针对区间参数随时间变化的动态多目标优化问题...

【文章页数】:140 页

【学位级别】:博士

【部分图文】:

图3–2完整解的构建Figure3–2Constructionofcompletesolutions

图3–2完整解的构建Figure3–2Constructionofcompletesolutions

秩篜1中第i个待评价个体p1i为例,介绍其适应度值计算方法。首先,从种群P2中随机选择N1个非劣解,作为代表个体,并将待评价个体分别与N1个代表个体合作,构成N1个完整解;然后,计算这些完整解的目标函数值,比较它们的Pareto支配关系,选择胜出解的函数值为p1i的适应度值。如果....


图3–3F1-F7的真

图3–3F1-F7的真

3基于时间依赖分析的动态多目标协同进化优化(a)F1的真实前沿(b)F2的真实前沿(c)F3的真实前沿(d)F4的真实前沿(e)F5和F6的真实前沿(f)F7的真实前沿图3–3F1-F7的真实Pareto前沿Figure3–3TruePF(t)sofF1-F7表3–2参数设置Ta....


图6–2DMOP1、DMOP4及DMOP7的真实前沿

图6–2DMOP1、DMOP4及DMOP7的真实前沿

6决策变量变化的动态多目标协同进化优化(a)DMOP1与DMOP4的真实前沿(b)DMOP7的真实前沿图6–2DMOP1、DMOP4及DMOP7的真实前沿Figure6–2TruePF(t)sofDMOP1,DMOP4,andDMOP7MOEA/DVA及LMEA进行比较,以此说明....


图7–1不同算法求解投资

图7–1不同算法求解投资

博士学位论文表7–36支证券的预期收益率区间及固有风险损失率区间Table7–3Theexpectedreturnrateandrisklossrateofthesixsecurities股票名称预期收益率区间固有风险损失率区间证券1[0.0293,0.0596][0.0065,....



本文编号:3980807

资料下载
论文发表

本文链接:https://www.wllwen.com/shoufeilunwen/xxkjbs/3980807.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户35a72***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com