基于概率的区域预测动态多目标优化算法

摘要

现实生活中，在生产调度、组合优化、工程设计、大规模数据处理等诸多领域，常常会遇到许多复杂的动态多目标优化问题。这类问题目标函数不仅与决策变量有关，而且受环境变化的影响，所以很难设计出一种针对所有问题的通用方法。目前，已经存在很多方法用于解决动态多目标优化问题，其中，最有前途的一种方法是预测，特别是基于点到点的预测方法，但是这类方法忽略了动态多目标问题的一些性质，比如：Pareto最优解之间的相对结构信息，Pareto最优解集的概率分布信息等。当当前Pareto最优解集相比历史Pareto最优解集越来越分散时，更不能达到很好的预测效果。
　　目前，动态多目标优化算法包括三部分：环境检测部分，当检测到环境未发生改变时的多目标优化算法部分，环境发生改变后怎样响应环境变化部分。当检测到环境发生变化时，针对动态多目标优化问题解的特性，本文提出了一种基于概率的区域预测策略，考虑到 Pareto最优解集之间的结构信息，对历史的Pareto最优解集进行K-mediods聚类产生子集，考虑到Pareto最优解集之间的概率分布信息，利用量子概率分布模型产生新环境下“基于概率的区域”。受到量子进化算法的启发，提出了一种“基于概率的区域”预测策略以快速有效地预测下一时刻“基于概率的区域”，同时，本文还提出了一种竞争机制，通过这种方法，产生的新种群能靠近新环境下真实 Pareto最优解集。最后，本文进行了多组对比实验，实验结果表明，本文提出的方法能有效、快速地追踪到时变的Pareto前沿。
　　最后，对全文进行总结，并阐述了本文存在的不足，同时对将来的研究工作进行展望。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪 论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 本文主要研究内容

1.4 本文组织结构

第2章 优化问题的理论基础

2.1 动态单目标优化算法研究

2.2 静态多目标优化算法研究

2.3 动态多目标优化算法研究

2.4 小结

第3章 基于概率的区域预测动态多目标优化算法

3.1 算法总体框架与算法流程

3.2 “基于概率的区域”表达

3.3 “基于概率的区域”预测

3.4 竞争机制

3.5 基于概率的区域预测动态多目标优化算法描述

3.6 算法收敛性与时间复杂度分析

3.7 小结

第4章 仿真实验及结果分析

4.1 评价指标

4.2 实验环境与参数设置

4.3 实验结果与分析

4.4 算法参数分析

4.5 小结

结论

参考文献

附录A攻读学位期间发表的学术论文与获得的成果

附录B 攻读学位期间所参与的项目目录

致谢