检索结果-南通市图书馆

高维多目标优化中基于稀疏特征选择的目标降维方法

在线全文

学校读者我要写书评

暂无评论

电子学报 2015年第7期43卷 1300-1307页

作者：陈小红李霞王娜深圳大学信息工程学院广东深圳518060 深圳市现代通信与信息处理重点实验室广东深圳518060

目标降维算法通过去除冗余的目标达到简化问题规模的目的,为求解高维多目标优化问题提供了一种新的思路和方法.近似解集的几何结构特征和Pareto占优关系从不同侧面反映了多目标优化问题的内在结构特性,而现有算法仅利用其中一种特征分... 详细信息

目标降维算法通过去除冗余的目标达到简化问题规模的目的,为求解高维多目标优化问题提供了一种新的思路和方法.近似解集的几何结构特征和Pareto占优关系从不同侧面反映了多目标优化问题的内在结构特性,而现有算法仅利用其中一种特征分析目标之间的关系,具有较大局限性.本文提出基于稀疏特征选择的目标降维方法,该方法利用近似解集的几何结构特征构建稀疏回归模型,求解高维目标空间映射为低维目标子空间的稀疏投影矩阵,依据此矩阵度量目标的重要性,并利用Pareto占优关系改变程度选择满足误差阈值的目标子集,实现目标降维.通过与其他已有目标降维算法比较,实验结果表明本文提出的降维算法具有较高的准确性,并且受近似解集质量的影响较小.

关键词：高维多目标优化目标降维稀疏特征选择

在线全文

学校读者我要写书评

暂无评论

面向高维多目标优化的双阶段双种群进化算法

计算机工程与应用 2024年第9期60卷 159-171页

作者：曹嘉乐杨磊田井林李华德李康顺华南农业大学数学与信息学院广州510642

随着目标维度的上升,高维多目标优化问题的帕累托前沿越来越复杂,传统的基于分解的高维多目标进化算法难以挑选出多样性和收敛性良好的种群。针对以上问题提出了一种面向高维多目标优化的双阶段双种群进化算法。该算法将进化过程划分为... 详细信息

随着目标维度的上升,高维多目标优化问题的帕累托前沿越来越复杂,传统的基于分解的高维多目标进化算法难以挑选出多样性和收敛性良好的种群。针对以上问题提出了一种面向高维多目标优化的双阶段双种群进化算法。该算法将进化过程划分为两个阶段,在第一阶段判断帕累托前沿的形状是否规则,而在第二阶段则根据帕累前沿的形状选择是否对权重向量进行调整,以保证种群在规则及不规则帕累托前沿上都能获得良好的多样性。为了对权重向量进行调整且不影响算法的收敛性,该算法使用了两个种群进行进化,一个主种群正常进化,另一个辅种群作为权重向量。为了在不规则的帕累托前沿上获得一组适应种群分布的权重向量,引入了自然界中能量平衡的概念收集了多样性良好的辅种群作为权重向量。将提出的算法与其他算法在3-10目标的测试问题上进行比较。实验结果表明,提出的算法在大多数测试问题上性能优于比较的算法。

关键词：高维多目标优化进化算法双阶段双种群权重向量能量平衡

基于SOM聚类和自适应算子选择的高维多目标进化算法

在线全文

学校读者我要写书评

暂无评论

电子学报 2022年第8期50卷 1959-1974页

作者：钟沛龙黎明何超陈昊南昌航空大学信息工程学院江西南昌330063 南昌航空大学无损检测技术教育部重点实验室江西南昌330063 南京航空航天大学自动化学院江苏南京211106

在高维多目标进化算法中,通常利用重组算子产生优质子代来引导种群搜索,已有研究表明,利用相似个体进行重组可以提高子代个体质量.由于自组织映射(Self-Organizing Mapping,SOM)网络能够通过聚类的方式保持种群个体原有的拓扑逻辑关系... 详细信息

在高维多目标进化算法中,通常利用重组算子产生优质子代来引导种群搜索,已有研究表明,利用相似个体进行重组可以提高子代个体质量.由于自组织映射(Self-Organizing Mapping,SOM)网络能够通过聚类的方式保持种群个体原有的拓扑逻辑关系并获得个体的相似信息,因此本文提出一种基于SOM聚类和自适应算子选择的高维多目标进化算法(Many-Objective Evolutionary Algorithm based on SOM Clustering and Adaptive Operator Selection,MaOEASCAOS).本文首先通过自组织映射网络进行种群分类,提取个体数据结构信息,并利用相似性构建邻域交配池;然后根据类内个体支配信息进行自适应算子选择,提高算法搜索和收敛性能;最后,采用环境选择策略对种群进行多样性管理以保证种群在帕累托前沿均匀分布.仿真结果表明,本文提出的基于SOM聚类和自适应算子选择(SOM Clustering and Adaptive Operator Selection,SCAOS)方法在处理高维多目标优化问题时具有较强的竞争力并且性能指标整体优于其他方法.

关键词：高维多目标优化自组织映射网络聚类自适应选择进化算法

DAV-MOEA:一种采用动态角度向量支配关系的高维多目标进化算法

在线全文

学校读者我要写书评

暂无评论

计算机学报 2022年第2期45卷 317-333页

作者：谢承旺余伟伟郭华张伟张琼冰华南师范大学数据科学与工程学院广东汕尾516600 南宁师范大学计算机与信息工程学院南宁530100 北京航空航天大学计算机学院北京100191 华东交通大学理学院南昌330013 湖南科技大学计算机科学与工程学院湖南湘潭411201

现实中不断涌现的高维多目标优化问题对传统的基于Pareto支配的多目标进化算法构成巨大挑战.一些研究者提出了若干改进的支配关系,但仍难以有效地平衡高维多目标进化算法的收敛性和多样性.提出一种动态角度向量支配关系动态地刻画进化... 详细信息

现实中不断涌现的高维多目标优化问题对传统的基于Pareto支配的多目标进化算法构成巨大挑战.一些研究者提出了若干改进的支配关系,但仍难以有效地平衡高维多目标进化算法的收敛性和多样性.提出一种动态角度向量支配关系动态地刻画进化种群在高维目标空间的分布状况,以较好地在收敛性与多样性之间取得平衡;另外,提出一种改进的基于L_(p-)范式(p高维目标空间中解群的多样性.设计了一种采用动态角度向量支配关系的高维多目标进化算法DAV-MOEA,该算法利用动态角度向量支配关系增强选择压力,运用改进的基于L_(p-)范式(p目标的DTLZ和WFG基准测试实例上的IGD与HV指标性能.实验结果表明,动态角度向量支配关系、改进的拥挤距离方法和DAV-MOEA算法在高维目标空间中能够获得显著较优或颇具竞争力的收敛性和多样性.由此表明所提出的支配关系、拥挤距离度量方法和DAV-MOEA算法在高维目标空间中颇具前景.

关键词：动态角度向量支配关系高维多目标优化进化算法多样性收敛性

在线全文

学校读者我要写书评

暂无评论

模型辅助的计算费时进化高维多目标优化

自动化学报 2022年第4期48卷 1119-1128页

作者：孙超利李贞金耀初太原科技大学计算机科学与技术学院太原030024中萨里大学计算机科学系吉尔福德GU27XH英国

代理模型能够辅助进化算法在计算资源有限的情况下加快找到问题的最优解集,因此建立高效的代理模型辅助多目标进化搜索逐渐受到了重视.然而随着目标数量的增加,对每个目标分别建立高斯过程模型时个体整体估值的不确定度会随之增加.因此... 详细信息

代理模型能够辅助进化算法在计算资源有限的情况下加快找到问题的最优解集,因此建立高效的代理模型辅助多目标进化搜索逐渐受到了重视.然而随着目标数量的增加,对每个目标分别建立高斯过程模型时个体整体估值的不确定度会随之增加.因此通过对模型最优解集的搜索探索原问题潜在的非支配解集,并基于个体的收敛性,种群的多样性和估值的不确定度,提出了一种新的期望提高计算方法,用于辅助从潜在的非支配解集中选择使用真实目标函数计算的个体,从而更新代理模型,能够在有限的计算资源下更有效地辅助优化算法找到好的非支配解集.在7个DTLZ基准测试问题上的实验对比结果表明,该算法在求解计算费时高维多目标优化问题上是有效的,且具有较强的竞争力.

关键词：高维多目标优化代理模型计算费时问题填充准则

求解高维昂贵多目标问题的约束型Dropout代理辅助进化算法

在线全文

学校读者我要写书评

暂无评论

电子学报 2023年第7期51卷 1859-1867页

作者：张睿白晓露潘理虎太原科技大学计算机科学与技术学院山西太原030024

现实优化问题常需同时对多个冲突目标进行评估优化,由于评估过程多依赖大量复杂的仿真实验,从而产生计算代价昂贵的问题.代理模型辅助下的进化算法可在计算资源有限的情况下为此类问题提供有效的最优解集.但随着问题决策以及目标空间维... 详细信息

现实优化问题常需同时对多个冲突目标进行评估优化,由于评估过程多依赖大量复杂的仿真实验,从而产生计算代价昂贵的问题.代理模型辅助下的进化算法可在计算资源有限的情况下为此类问题提供有效的最优解集.但随着问题决策以及目标空间维度变高,则会衍生出诸多负面因素限制代理模型的预测精度.对此,提出一种基于约束型Dropout神经网络的代理辅助进化算法(Constrained Dropout Neural Network based surrogate-assisted Evolution Algorithm,CDNNEA),以约束型Dropout神经网络作为一种可扩展方案来增强代理模型在高维空间中的适用性,在模型管理部分中,构建种群个体收敛性以及多样性评判指标,自适应地选取引导代理模型更新的代表性个体.通过在DTLZ基准测试问题上进行实验,CDNNEA显示出相较其它先进算法性能表现最优或近似最优,同时将其应用于高维参数自适应优化的现实问题中.实验表明:提供的代表性解决方案投入实际应用时识别准确率均较优且模型计算量可控,验证出CDNNEA在高维昂贵类优化问题上的有效性.

关键词：代理模型昂贵问题高维多目标优化模型管理进化算法

基于IGD^(+)指标的两阶段选择高维多目标进化算法

在线全文

学校读者我要写书评

暂无评论

控制理论与应用 2023年第5期40卷 801-816页

作者：张伟刘建昌刘圆超郑恬子杨婉婷东北大学信息科学与工程学院辽宁沈阳110819

针对在高维空间下多目标进化算法难以维持种群收敛性和多样性平衡的问题,本文提出一个基于IGD^(+)指标的两阶段选择高维多目标进化算法(MaOEA–ITS).在第1阶段,算法基于IGD^(+)指标选择收敛性良好的精英个体,其所需的参考点通过引入切... 详细信息

针对在高维空间下多目标进化算法难以维持种群收敛性和多样性平衡的问题,本文提出一个基于IGD^(+)指标的两阶段选择高维多目标进化算法(MaOEA–ITS).在第1阶段,算法基于IGD^(+)指标选择收敛性良好的精英个体,其所需的参考点通过引入切割平面截距法构建.在第2阶段,MaOEA–ITS使用模糊c均值算法对参考向量进行聚类,聚类后的参考向量引导种群分解策略对剩余个体进行环境选择,从而维持种群的多样性.另外,为了保护能够提高种群多样性的极值解,本文提出一个参考点分布自适应策略.最后,通过仿真实验来验证MaOEA–ITS的有效性和优越性.

关键词：高维多目标优化 IGD^(+)指标两阶段选择策略参考点分布自适应策略种群分解策略进化算法

在线全文

学校读者我要写书评

暂无评论

高维多目标优化算法中环境选择策略研究

高维多目标优化算法中环境选择策略研究

作者：徐佳宇华中科技大学

学位级别：硕士

高维多目标优化问题是指同时优化三个以上目标的问题,广泛存在于实际应用中。演化算法拥有良好的全局搜索能力,在目标维数较低时有较好的求解性能。目标数量增多时,搜索空间变大,演化算法在求解过程中难以兼顾收敛性和多样性,导致求解... 详细信息

高维多目标优化问题是指同时优化三个以上目标的问题,广泛存在于实际应用中。演化算法拥有良好的全局搜索能力,在目标维数较低时有较好的求解性能。目标数量增多时,搜索空间变大,演化算法在求解过程中难以兼顾收敛性和多样性,导致求解效果不佳。因此,设计具有良好求解效果的高维多目标演化算法具有重要意义。环境选择是演化算法的重要组成部分,作用是选择适应度较好的个体参与演化。设计合适的环境选择策略可以平衡种群在演化过程中的收敛性和多样性,提升高维多目标演化算法的性能。因此,本文研究高维多目标演化算法中的环境选择策略,改进高维多目标演化算法,并将算法应用到自治水下机器人（AUV）的避障路径优化。主要研究内容和成果如下:提出了一个多样性优先的环境选择策略（DFCS）,用于解决基于帕累托支配关系的算法多样性缺失的问题。该策略中优先采用基于角度的选择来保证演化过程中搜索方向的多样性,从而保持种群的多样性;使用基于收敛度的选择来保证种群的收敛性。三种经典的多目标优化算法NSGA-II、SPEA2、PESA-II嵌入DFCS后,在110个测试问题上进行实验,在83个问题上求解效果得到提升。SPEA2+SDE算法嵌入DFCS后,在119个测试问题上进行实验,运行时间减少一半,在64个问题上求解效果得到了提升。提出了一个基于R2指标的双档案算法Two-Arch R2。针对原双档案算法TwoArch2计算效率低的问题,采用计算效率较高的R2指标更新收敛性档案,提高了计算效率;对于Two-Arch2收敛较慢的问题,将收敛性档案中的优秀个体参与到多样性档案的更新,加快了种群的收敛速度。Two-Arch R2和其他高维多目标优化算法在119个测试问题上进行了对比实验,在81个测试问题上获得最优结果。和改进前的双档案算法Two-Arch2相比,运行时间缩减到原来的1/4,在9个30维测试问题中有8个加快了种群收敛速度。将提出的Two-Arch R2算法用于基于修正导航向量场（MGVF）的AUV避障路径优化。MGVF是AUV航迹规划的常用方法,但缺少对路径优化的考虑,存在较多影响路径质量的参数需要手动设置。本文针对路径长度、路径安全、平滑度和能耗四个优化目标,利用Two-Arch R2算法对MGVF中的相关参数进行寻优,并同其他高维多目标优化算法对比。仿真实验结果表明Two-Arch R2算法在性能指标和稳定性上表现更优。

关键词：高维多目标优化环境选择多样性优先双档案算法避障路径优化

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于距离优势关系的高维多目标进化算法

计算机科学与探索 2022年第11期16卷 2642-2652页

作者：顾清华徐青松李学现西安建筑科技大学管理学院西安710001 西安建筑科技大学资源工程学院西安710001 西安市智慧工业感知计算与决策重点实验室西安710001

收敛性与多样性是多目标进化算法的两个主要研究方面,随着多目标优化问题目标维度的增加,传统的多目标进化算法很难维持解的多样性。为了增强算法在高维多目标优化问题中的多样性,提出了一种新的距离优势关系。首先,为了保证算法的收敛... 详细信息

收敛性与多样性是多目标进化算法的两个主要研究方面,随着多目标优化问题目标维度的增加,传统的多目标进化算法很难维持解的多样性。为了增强算法在高维多目标优化问题中的多样性,提出了一种新的距离优势关系。首先,为了保证算法的收敛性,在同一小生境内,基于距离优势关系计算候选解到理想点的距离作为适应度值,选择适应度值好的候选解作为非支配解。然后,为了增强算法的多样性,距离优势关系设定了每个候选解具有相同的小生境,并且保证在同一小生境内只保留一个最优解。最后,基于提出的距离优势关系对VaEA算法进行改进,得到的算法命名为VaEA-DDR。在5、8、10、15维目标的DTLZ及IDTLZ测试问题上将改进的算法与目前六种常用的算法进行实验对比。实验结果表明,改进后的算法具有较强的竞争性,能显著增强算法的多样性。

关键词：高维多目标优化距离优势关系多样性 VaEA