基于共生协同进化的多目标算法及其应用

摘要

多目标进化算法(MOEA)较传统多目标算法在构造Pareto解集，以及优化问题的鲁棒性上，具有更好的性能。因此成为近年来研究的重点。协同进化作为生物学中一种促进种群间共同进化的机制，正逐步受到众多学者的重视。已有研究结果表明采用协同进化机制，可以加速多目标进化算法收敛速度，并使之具有更好的种群多样性。现有协同多目标进化算法一般只强调了生物种群间的竞争与合作中的一方面。但在实际的生物界中，两种现象是同时存在的。因此，如何设计一种算法将二者有机结合起来是有其理论意义的。 本文在前人研究的基础上，提出了一种共生协同进化算法(SymbiosisCoevolutison MuRiobjective Algorithm，SCMA)。有效的将竞争机制与合作机制统一起来。通过提出贡献度的概念，设计了合作算子、竞争算子和再生算子，用以实现算法的协同进化目的。最后在三项指标下，利用六个测试函数，将SCMA与NSGA2，MOCEA，SPEA2进行了对比，显示出较好的效果。 最后针化工生产过程中的对油品调和问题和股票的组合投资问题，运用SCMA算法它们进行了仿真求解，这能为决策者提供更多的选择。

目录

文摘

英文文摘

声明

第一章绪论

1.1多目标优化问题的发展简史

1.2多目标优化的基本概念

1.3经典多目标优化算法

1.4多目标进化算法

1.5本文的研究目的和结构安排

第二章进化计算及其在多目标问题上的应用

2.1进化计算

2.1.1遗传算法概述

2.1.2遗传算法的特点和理论框架

2.1.3影响遗传算法的因素

2.1.4其它进化算法

2.2多目标进化算法

2.2.1多目标进化算法概述

2.2.2经典多目标进化算法

2.2.3 MOEA中的关键技术

第三章协同多目标进化算法

3.1协同进化理论

3.1.1生物协同进化论

3.1.2协同进化算法

3.2共生协同进化算法（SCMA）

3.2.1共生算子设计

3.2.2非支配集的构造

3.2.3适应度计算和归档集删减

3.2.4算法流程

3.2.5复杂度分析

3.3算法测试

3.3.1性能指标

3.3.2测试结果比较

第四章协同多目标进化算法的应用

4.1 SCMA在油品调和问题中的应用

4.1.1问题背景

4.1.2油品调和模型

4.1.3实例检测

4.2 SCMA在组合投资领域的应用

4.2.1组合投资问题概述

4.2.2组合投资模型

4.2.3实例分析

第五章总结及展望

5.1总结

5.2展望

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介