基于分解的多目标量子差分进化算法研究

摘要

进化算法(EA)是以进化理论为基础的群体智能搜索算法，在解决多目标优化问题(MOPs)有明显的优势，已经成为多目标研究的热点。基于分解的多目标进化算法(MOEA/D)采用数学规划方法，是一种快速、高效的多目标进化算法(MOEA)。在求解MOPs时，与其它算法相比，MOEA/D的收敛速度快、分布性好。但该算法在求解非凸帕累托前沿函数时最优解的质量有待提高。因此，提高MOEA/D在非凸函数上的性能具有重要的学术理论意义和实际应用价值。
　　本文主要针对MOEA/D在解决非凸MOPs中存在的不足，将MOEA/D与量子进化算法 QEA相结合，提出了基于分解的多目标量子差分进化算法(QD-MOEA/D)，并进行相应的数值模拟实验，然后将该算法应用于解决银行组合信贷决策问题。主要内容包括：⑴介绍了MOPs的基本概念，并分析了多目标进化算法(MOEA)的研究现状。同时，详细阐述了MOEA/D的特征和算法流程，并给出了多目标进化算法常用的测试函数和性能度量指标，最后简述了QEA的相关概念和流程。⑵鉴于量子进化算法在多峰值函数上的优良性能，将MOEA/D与量子进化算法相结合，提出了基于分解的多目标量子差分进化算法(QD-MOEA/D)。QD-MOEA/D的量子染色体采用实数编码，节省存储空间，加快运算速度。为了加快算法收敛速度并提高算法探测能力，量子染色体采取差分进化，其变异方式为量子非门。在多个标准测试函数的实验结果表明该算法改进了MOEA/D在非凸函数上的收敛性和分布性。⑶将QD-MOEA/D用于银行贷款组合优化问题。先将银行贷款组合优化问题抽象为一个多目标优化问题，并采用QD-MOEA/D求解该问题，为决策者提供一系列不同偏好的决策支持，进一步验证了本文提出的算法的有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景和意义

1.2 国内外文献综述

1.3 研究内容与方法

1.4 主要工作和创新

1.5 论文的基本结构

第2章 多目标进化算法与量子进化算法

2.1 多目标优化的基本概念和相关术语

2.2 基于分解的多目标进化算法

2.3 多目标进化算法的性能评价指标

2.4 测试函数

2.5 量子进化算法

2.6 小结

第3章 基于分解的多目标量子差分进化算法QD-MOEA/D

3.1 引言

3.2 实数量子染色体编码

3.3 基于差分进化的量子染色体更新

3.4 量子变异与测量

3.5 QD-MOEA/D算法流程

3.6 算法测试及结果分析

3.7 小结

第4章QD-MOEA/D在银行组合信贷中的应用

4.1 引言

4.2 银行组合信贷模型

4.3 算法描述

4.4 算法应用及实验结果分析

4.5 小结

结论与展望

1、结论

2、展望

附录

参考文献

致谢

攻读硕士学位期间发表的论文和其它科研情况