简析占优免疫多目标密母算法中搜索对策
最后更新时间:2024-01-19
作者:用户投稿本站原创
点赞:21975
浏览:97261
论文导读:n},需要论文可以联系人员哦。摘要3-4Abstract4-8第一章绪论8-161.1多目标优化不足的探讨作用81.2多目标优化算法的探讨近况8-101.3免疫优化算法的主要进展10-111.4Memetic算法探讨的进展11-121.5本论文的探讨动机12-131.6本论文的主要工作及内容安排13-16
摘要:不管是在科学探讨领域还是在工程实践上,最优化不足都已成为非常重要的课题之一。其中,仅有一个目标函数的最优化不足被称为单目标优化不足,而现实世界中的最优化不足一般需要对多个目标的同时优化,且被同时优化的多个目标之间又是相互冲突的。为了能使总目标达到最优化,通常需要对相互冲突的子目标进行折衷考虑。人工免疫系统是模仿自然免疫系统功能的一种智能策略,为多目标优化不足提供了一种新颖的求解思路。将人工免疫系统运用于求解多目标优化不足的探讨引起了很多的学者的关注。非支配邻域免疫算法(Multi-objective Immune Algorithm with Non-dominated Neighbor-based Selection, NNIA)是一种优秀的免疫多目标优化算法。NNIA利用基于非支配邻域的个体选择策略,只选择少数相对孤立的非支配个体作为激活抗体,根据激活抗体的拥挤程度进行比例克隆,然后对克隆后的抗体群进行亲和度成熟操作,以此加强对当前Pareto前沿面较稀疏区域的搜索。但是,NNIA中仅采取重组和超变异操作来产生新解,一方面,全局搜索对策的盲目性降低了收敛速度,另一方面,不能保证得到较高质量的解。本论文根据种群在进化历程中的分布特性,设计局部搜索对策,并结合NNIA构造新的Memetic算法。本论文的主要工作有:(1)将种群进化历程中个体的局部Pareto支配联系和差分进化引入NNIA,构造了一种结合Pareto占优和差分的免疫多目标优化算法MIAMO。基于局部Pareto支配联系的下降搜索算子主要作用于进化前期,能够指导种群朝着Pareto最优解的方向移动,加速种群的收敛速度;邻域差分算子主要作用于进化后期,能够使种群沿着Pareto最优解的方向分布,增加种群的多样性。(2)利用种群进化历程中的Pareto前端的分布信息,在NNIA的基础上构造了一种结合收敛加速算子的免疫克隆多目标优化算法MIACA。算法首先在目标空间上进行局部搜索产生新解,然后通过人工神经网络的预测,使新解以目标空间映射到决策空间,这种建模预测策略在不增加函数评价的同时改善了候选解,以而加速了种群的进化。最后,本论文将改善算法在经典的多目标测试不足上与其他优秀的多目标优化算法做了比较仿真实验,结果表明,改善算法与NNIA相比在求解性能方面有所提升。关键词:多目标优化论文人工免疫系统论文局部搜索论文密母算法论文Pareto占优论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要3-4
Abstract4-8
第一章 绪论8-16
.2 性能评价指标58
参考文献70-76
探讨成果76
摘要:不管是在科学探讨领域还是在工程实践上,最优化不足都已成为非常重要的课题之一。其中,仅有一个目标函数的最优化不足被称为单目标优化不足,而现实世界中的最优化不足一般需要对多个目标的同时优化,且被同时优化的多个目标之间又是相互冲突的。为了能使总目标达到最优化,通常需要对相互冲突的子目标进行折衷考虑。人工免疫系统是模仿自然免疫系统功能的一种智能策略,为多目标优化不足提供了一种新颖的求解思路。将人工免疫系统运用于求解多目标优化不足的探讨引起了很多的学者的关注。非支配邻域免疫算法(Multi-objective Immune Algorithm with Non-dominated Neighbor-based Selection, NNIA)是一种优秀的免疫多目标优化算法。NNIA利用基于非支配邻域的个体选择策略,只选择少数相对孤立的非支配个体作为激活抗体,根据激活抗体的拥挤程度进行比例克隆,然后对克隆后的抗体群进行亲和度成熟操作,以此加强对当前Pareto前沿面较稀疏区域的搜索。但是,NNIA中仅采取重组和超变异操作来产生新解,一方面,全局搜索对策的盲目性降低了收敛速度,另一方面,不能保证得到较高质量的解。本论文根据种群在进化历程中的分布特性,设计局部搜索对策,并结合NNIA构造新的Memetic算法。本论文的主要工作有:(1)将种群进化历程中个体的局部Pareto支配联系和差分进化引入NNIA,构造了一种结合Pareto占优和差分的免疫多目标优化算法MIAMO。基于局部Pareto支配联系的下降搜索算子主要作用于进化前期,能够指导种群朝着Pareto最优解的方向移动,加速种群的收敛速度;邻域差分算子主要作用于进化后期,能够使种群沿着Pareto最优解的方向分布,增加种群的多样性。(2)利用种群进化历程中的Pareto前端的分布信息,在NNIA的基础上构造了一种结合收敛加速算子的免疫克隆多目标优化算法MIACA。算法首先在目标空间上进行局部搜索产生新解,然后通过人工神经网络的预测,使新解以目标空间映射到决策空间,这种建模预测策略在不增加函数评价的同时改善了候选解,以而加速了种群的进化。最后,本论文将改善算法在经典的多目标测试不足上与其他优秀的多目标优化算法做了比较仿真实验,结果表明,改善算法与NNIA相比在求解性能方面有所提升。关键词:多目标优化论文人工免疫系统论文局部搜索论文密母算法论文Pareto占优论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要3-4
Abstract4-8
第一章 绪论8-16
1.1 多目标优化不足的探讨作用8
1.2 多目标优化算法的探讨近况8-10
1.3 免疫优化算法的主要进展10-11
1.4 Memetic算法探讨的进展11-12
1.5 本论文的探讨动机12-13
1.6 本论文的主要工作及内容安排13-16
第二章 基于克隆选择的免疫多目标优化16-242.1 多目标优化不足的数学描述16-17
2.2 免疫多目标优化的基本原理17-19
2.3 非支配邻域免疫算法NNIA19-22
2.4 本章小结22-24
第三章 结合Pareto占优和差分的免疫多目标优化算法24-523.1 引言24
3.2 决策空间上的局部邻域特性24-25
3.3 差分进化思想概述25-26
3.4 改善算法MIAMO的框架设计26-30
3.4.1 基于Pareto占优的局部搜索28-29
3.4.2 基于差分的局部搜索29
3.4.3 算法的计算复杂度29-30
3.5 仿真实验及其结果浅析30-51
3.5.1 测试不足30-32
3.5.2 性能评价指标32-33
3.5.3 实验设置33
3.5.4 实验结果33-51
3.6 本章小结51-52
第四章 结合收敛加速算子的免疫克隆多目标优化算法52-664.1 引言52
4.2 人工神经网络模型概述52-54
4.3 改善算法MIACA的框架设计54-57
4.3.1 目标空间的局部搜索54-56
4.3.2 目标空间的映射操作56-57
4.3.3 算法计算复杂度57
4.4 仿真实验及其结果浅析57-644.1 测试不足57-58
4.4论文导读:.2性能评价指标584.4.3实验设置584.4.4实验结果58-644.5本章小结64-66第五章总结与展望66-685.1论文工作总结66-675.2进一步展望67-68致谢68-70参考文献70-76探讨成果76上一页12.2 性能评价指标58
4.3 实验设置58
4.4 实验结果58-64
4.5 本章小结64-66
第五章 总结与展望66-685.1 论文工作总结66-67
5.2 进一步展望67-68
致谢68-70参考文献70-76
探讨成果76