自适应学习机制驱动的多目标进化算法研究

目录

声明

插图索引

表格索引

符号对照表

缩略语对照表

1 绪论

1.1 研究背景和意义

1.2 研究现状

1.3 现有研究的不足和分析

1.4 本文的主要工作

2 基础知识

2.1 多目标优化问题

2.2 两类多目标分布估计算法

2.2.1 基于规则模型的多目标分布估计算法

2.2.2 基于高斯过程逆模型的多目标分布估计算法

2.3 快速非支配排序选择策略

2.4 评价指标

2.5 本章小结

3 自适应协方差学习模型驱动的多目标混合差分-分布估计算法

3.1 引言

3.2 提出的算法

3.2.1 差分进化算子的数学特征分析

3.2.2 自适应协方差学习

3.2.3 负相关学习

3.3 算法框架

3.4 最坏情况计算复杂度分析

3.5 实验研究

3.5.1 测试函数

3.5.2 参数设置

3.5.3 实验结果与分析

3.6 本章小结

4 自适应逆学习模型驱动的多目标进化算法

4.1 引言

4.2 提出的算法

4.2.1 外部精英存档策略

4.2.2 动态参考向量的设计

4.2.3 偏好交叉操作

4.3 算法框架

4.4 最坏情况计算复杂度分析

4.5 实验研究

4.5.1 测试函数

4.5.2 参数设置

4.5.3 实验结果与分析

4.6 本章小结

5 自适应双空间学习模型驱动的多目标进化算法

5.1 引言

5.2 提出的算法

5.2.1 基于序列的确定性初始化方法

5.2.2 学习模型的自适应选择策略

5.2.3 集成双空间的自适应环境选择策略

5.3 算法框架

5.4 最坏情况计算复杂度分析

5.5 实验研究

5.5.1 测试函数

5.5.2 参数设置

5.5.3 实验结果与分析

5.6 本章小结

6 基于多目标深度信念网络的时间序列预测模型

6.1 时间序列预测

6.2 多目标引导的稀疏深度信念网络

6.2.1 深度信念网络模型

6.2.2 多目标引导的稀疏RBM训练

6.3 实验研究

6.3.1 混沌时间序列预测

6.3.2 电力负荷预测

6.4 本章小结

7 总结与展望

7.1 总结

7.2 展望

致谢

参考文献

附录

附录A

附录B

攻读博士学位期间的研究成果

1.完成的论文成果

2.参与的科研项目

3.完成的论文成果