积分商城

最新搜索： RFID SDK HFSS RDA5807 tina microBUCK和microBRICK直流/直流稳压器解决方案 嵌入式八股文
您现在的位置是：首页 > 技术资料 > 高维多目标进化算法及其软件平台研究
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

高维多目标进化算法及其软件平台研究

更新时间：2020-02-09 02:08:54 大小：18M 上传用户：gsy幸运查看TA发布的资源 标签：多目标优化 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

现实世界中存在大量的多目标优化问题（multi-objective optimization problems，MOPs），它们具有多个需要同时优化且相互冲突的目标。与单目标优化不同，多目标进化算法（multi-objective optimization evolutionary algorithms，MOEAs）需要提供一组Pareto最优解集供决策者挑选，因此算法不仅需要保持收敛性，还要提高解集的分布广泛性与分布均匀性，以更好地刻画优化问题的性质，为决策者提供更多的选择。在现实工程应用中，多目标优化问题往往是非线性、高度复杂的。经典的确定性优化方法通常需要满足一些先决条件才能使用，因此限制了其应用的范围。而基于群体搜索的进化算法没有这样的限制条件，且能在这类问题上取得良好的效果。因此研究用进化算法求解多目标优化问题具有很高的现实意义。

  Pareto支配关系的引入为多目标优化的研究带来了重大的变革。但此类算法通常只能有效求解2–3个目标的优化问题，而在高维多目标优化问题（目标数超过3个）上的效果往往迅速下降，主要原因是Pareto支配关系的支配区域随着目标空间维数的增长呈指数下降导致的。在这种情况下，种群中非支配个体的比率会迅速上升，导致选择机制无法判断个体之间的好坏，从而导致算法无法收敛。现实世界中存在很多高维多目标优化问题，因此高维多目标优化的研究在国内外受到了越来越多的关注。

  为了提高算法在高维多目标优化问题上的性能，本文提出了一种基于?支配与边界惩罚选择（boundary punishment selection，BPS）的高维多目标进化算法（many-objective evolutionary algorithm based on?-dominance and BPS，?-BPS）。为了确保收敛性与分布广泛性，BPS依次选取靠近不同边界（坐标轴）的精英个体进入下一代。同时，为了保证分布均匀性，BPS将惩罚每个精英个体的邻居（靠近精英的其它个体），使对这些个体的选择延迟至下一轮（BPS可以执行多轮选择）。其次，采用?支配来惩罚精英个体的邻居，在保持分布性的同时有效去除支配抵抗解（dominance resistant solutions，DR...

部分文件列表

文件名 大小
高维多目标进化算法及其软件平台研究.pdf 18M

【关注视频号领20积分】   【关注公众号立即送20积分】

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号