分解进化算法在跨组织边界物流资源分配中的应用

摘要

现实生活中，人们都是追求成本最小，收益最大，二者往往是相互冲突的。实质上，这就是一类典型的多目标优化问题。多目标优化问题指的是需要同时优化相互冲突，相互约束的多个目标，最终解集并不是唯一的，而是一系列近似Pareto最优解构成的集合。因为进化算法运行一次能够提供大量的Pareto最优解，且不受目标函数数学性质的影响，因此利用进化算法求解多目标优化问题成为进化计算领域近年来的研究热点。
　　本文针对目前MOEA/D中引入全局替换策略时，固定的替换邻域难以维持种群在算法进化过程中的多样性与收敛性平衡问题展开深入的研究，提出一种自适应调整全局替换邻域大小的策略，并融入到MOEA/D中，进而提出一种改进的分解类多目标进化算法。为验证策略的有效性，进行了一系列的仿真对比实验，主要工作围绕以下几个方面展开:
　　1.介绍跨组织边界的物流资源优化配置问题，给出一种常见的资源分配模型及相关的多目标优化问题的数学定义。
　　2.利用本文改进的分解类多目标算法对跨组织边界物流资源分配问题进行求解，贴合实际的物流类问题，给出一种适用于求解该类问题的分解类算法，其中包含具体编码转变，几种经典的多目标进化算法在物流问题上的性能对比分析等。
　　3.通过一系列的仿真实验，分析全局替换时，替换邻域的大小能极大地影响算法的性能，进而得出替换邻域大小具体对算法多样性及收敛性的影响，据此，提出一种自适应调整替换邻域大小策略，结合全局替换技术，二者融入在MOEA/D中，提出一种改进的分解类多目标进化算法，并在ZDT系列，MOP系列测试函数上展开性能测试，并与NSGA-Ⅱ，MOEA/D，MOEA/D-GR算法相做性能对比分析。

目录

声明

摘要

1 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 本文的内容及章节安排

2 多目标进化算法及性能评价指标

2．1 多目标优化问题相关知识

2．1．1 多目标优化问题的数学定义

2．2 MOEA／D算法回顾

2．2．1 MOEA／D的特点

2．2．2 MOEA／D中常见的三种分解方法

2．2．3 MOEA／D的算法步骤

2．3 多目标进化算法的性能评价指标

2．3．1 收敛性评价策略及指标

2．4 本章小结

3 自适应调整替换邻域大小的分解类算法

3．1 引言

3．2 GR策略及标准测试函数

3．3 全局替换中替换邻域大小对算法性能影响分析

3．4 自适应调整替换邻域大小策略

3．5 验证自适应调整替换邻域大小策略的有效性

3．6 改进算法与其它算法的性能对比

3．6．1 算法在ZDT系列测试问题上的性能测试

3．6．2 MOP系列测试问题上的性能测试

3．7 本章小结

4 跨组织边界物流资源分配模型

4．1 背景资料

4．2 问题描述

4．3 目标函数

4．4 约束条件

4．5 本章小结

5 分解进化算法求解跨组织边界物流资源分配问题

5．1 进化算法求解物流类模型的一般性流程

5．2 MOEA／D系列算法的具体求解流程

5．3 实例验证

5．3．1 结果分析

5．3．2 与其它算法性能对比分析

5．4 本章小结

6 总结与展望

6．1 总结

6．2 展望

参考文献

致谢