版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領
文檔簡介
1、約束優(yōu)化問題廣泛存在于科學研究和工程應用領域中,目前對其研究已成為智能信息處理領域的研究熱點。現(xiàn)有約束優(yōu)化算法在處理約束單目標優(yōu)化問題時存在易陷入局部最優(yōu)、收斂精度不高以及參數(shù)設計困難等問題,特別對于非線性、強約束和多峰值的約束多目標優(yōu)化問題存在所求Pareto解集分布不均勻以及收斂性欠佳的缺陷,從而限制了約束優(yōu)化算法在實際中的應用。因此,研究更為有效的約束優(yōu)化算法具有重要的理論意義和現(xiàn)實意義。
本文針對約束優(yōu)化算法在處理約束
2、單目標優(yōu)化問題和約束多目標優(yōu)化問題時的不足,對約束優(yōu)化算法中的約束處理技術(shù)、進化策略、多樣性維持策略以及精英選擇策略等各項關鍵技術(shù)展開深入研究。在理論研究上提出了一系列改進措施,使改進算法在求解各類約束優(yōu)化問題上的性能得到全面提升。在實際應用上將改進算法用于優(yōu)化實際工程問題,以改善現(xiàn)有方法的優(yōu)化效果。論文的主要研究內(nèi)容包括以下六個方面。
第一,針對基于雙種群存儲技術(shù)的約束單目標優(yōu)化算法存在收斂精度較低的問題,提出一種基于混合策
3、略的雙種群約束單目標優(yōu)化算法。首先,提出約束支配和最優(yōu)約束支配來更新不可行解集,保留目標函數(shù)值和約束違反度均優(yōu)的不可行解,以提高算法的探索能力和搜索效率。其次,采用混合策略進化種群,在進化前期利用Deb準則產(chǎn)生可行解,并通過保留非劣不可行解來提高多樣性,在進化后期讓最優(yōu)和次優(yōu)個體指導進化,以加快種群收斂。最后,采用佳點集來生成初始種群,改善初始種群多樣性。仿真實驗結(jié)果驗證了改進算法的有效性。
第二,針對ε約束多樣性維持能力不足
4、以及參數(shù)設置困難的問題,提出一種基于自適應ε的約束單目標優(yōu)化算法。首先,對個體比較準則進行改進,讓約束違反度和目標函數(shù)值均較優(yōu)的不可行解參與進化,加大對可行域邊界的探索力度,從而提高種群多樣性,避免陷入局部最優(yōu)。其次,提出自適應ε調(diào)整策略,根據(jù)可行解在種群中所占的比例對ε進行自適應調(diào)整,平衡目標函數(shù)和約束違反度的關系,從而更加合理地進行個體比較。仿真實驗結(jié)果驗證了改進算法的有效性。
第三,針對現(xiàn)有約束多目標優(yōu)化算法所求Pare
5、to解集分布性較差的問題,提出一種基于雙種群的約束多目標優(yōu)化算法。首先,對Harmonic距離進行改進,去除Pareto等級較差個體和較遠個體的影響,從而更加準確地反映種群的分布性,并且有效減少計算量。其次,提出的不可行解集更新方式通過緊密聯(lián)系與可行解集的關系,能夠保留優(yōu)秀的不可行解,有利于提高種群多樣性和算法搜索效率。最后,對變異策略進行改進,充分利用最優(yōu)可行解和優(yōu)秀不可行解的有效信息來引導種群進化,較好地兼顧探索能力和開發(fā)能力。仿真
6、實驗結(jié)果驗證了改進算法的有效性。
第四,針對目前約束多目標優(yōu)化算法所求Pareto解集收斂性不佳的問題,提出一種基于自適應ε截斷策略的約束多目標優(yōu)化算法。首先,提出自適應ε截斷選擇策略,優(yōu)先保留Pareto最優(yōu)可行解和約束違反度及目標函數(shù)值均較優(yōu)的不可行解,從而有效平衡多樣性和收斂性。其次,在變異操作和交叉操作之后進行指數(shù)變異,進一步增強算法的局部開發(fā)能力。最后,對擁擠密度估計方式進行改進,只選擇部分距離較近的Pareto最優(yōu)
7、解參與計算,不僅降低了計算量,而且能夠更加合理地評估種群的分布性。仿真實驗結(jié)果驗證了改進算法的有效性。
第五,針對 MOEA/D算法求解約束多目標優(yōu)化問題時存在分布性欠佳和收斂精度不高的問題,提出一種基于重新匹配策略的ε約束多目標分解優(yōu)化算法。首先,對切比雪夫分解策略進行理論分析和推導,得到兩條關于多樣性和收斂性的定理,為研究MOEA/D算法提供理論基礎。其次,為有效解決由于隨機為權(quán)重向量分配個體造成種群多樣性降低的問題,提出
8、權(quán)重向量和個體的重新匹配策略來改善種群多樣性。最后,提出ε約束方法,較好地兼顧多樣性和收斂性。仿真實驗結(jié)果驗證了改進算法的有效性。
第六,將基于混合策略的雙種群約束單目標優(yōu)化算法和基于自適應ε的約束單目標優(yōu)化算法分別用于軟件工程調(diào)度,將基于雙種群的約束多目標優(yōu)化算法和基于自適應ε截斷策略的約束多目標優(yōu)化算法分別用于相控陣雷達參數(shù)優(yōu)化設計,將基于重新匹配策略的ε約束多目標分解優(yōu)化算法用于大型艦船總體要素優(yōu)化設計,以改善現(xiàn)有設計方
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 近似模型優(yōu)化體系關鍵技術(shù)研究及應用.pdf
- 多級多層加密算法關鍵技術(shù)研究及應用開發(fā).pdf
- 基于公差約束的CAPP的關鍵技術(shù)研究.pdf
- 高效優(yōu)化迭代學習控制算法的關鍵技術(shù)研究
- 高效優(yōu)化迭代學習控制算法的關鍵技術(shù)研究.pdf
- 拓撲與形狀集成優(yōu)化算法的關鍵技術(shù)研究.pdf
- 多參數(shù)非線性優(yōu)化方法關鍵技術(shù)研究及應用.pdf
- 入侵檢測算法及關鍵技術(shù)研究.pdf
- 磁流變拋光工藝優(yōu)化及關鍵技術(shù)研究與應用.pdf
- 磁約束磁控濺射源的關鍵技術(shù)研究.pdf
- FDTD算法的若干關鍵技術(shù)研究.pdf
- 汽車ABS系統(tǒng)優(yōu)化及關鍵技術(shù)研究.pdf
- WSON網(wǎng)絡約束路由計算關鍵技術(shù)研究.pdf
- 主題爬蟲關鍵技術(shù)研究及應用.pdf
- 基于雙圓弧算法的失步保護關鍵技術(shù)研究及應用.pdf
- 山區(qū)約束型立交關鍵技術(shù)研究.pdf
- 云Portal的關鍵技術(shù)研究及應用.pdf
- SLA約束下的云資源調(diào)度關鍵技術(shù)研究.pdf
- 高速列車節(jié)能運行優(yōu)化關鍵技術(shù)及算法研究.pdf
- 沖擊片雷管的參數(shù)優(yōu)化及關鍵技術(shù)研究.pdf
評論
0/150
提交評論