最新高维多目标进化算法总结.docx

高维多目标进化算法最新综述，包括基于分解、指标Pareto，各种不同类型算法简介

高维多目标进化算法及其软件平台研究

高维多目标进化算法及其软件平台研究.提供具体多目标平台的搭建过程

进化高维多目标优化算法研究综述

首先针对常规多目标优化算法求解高维多目标优化时面临的选择压力衰减问题进行论述;然后针对该问题,按照选择机制的不同详细介绍基于Pareto支配、基于分解策略和基于性能评价指标的典型高维多目标优化算法,并分析各自的优缺点;接着立足于一种全新的性能评价指标-----R2指标,给出R2指标的具体定义,介绍基于R2指标的高维多目标优化算法,分析此类算法的本质,并按照R2指标的4个关键组成部分进行综述;最后,发掘其存在的潜在问题以及未来发展空间.

基于模糊支配的高维多目标进化算法MFEA

为提高高维复杂多目标优化算法的收敛性和解集分布性,提出一种基于模糊支配的高维多目标进化算法MFEA.在第二代Pareto支配类高维多目标进化算法模型基础上,利用模糊理论对模型中的环境选择进行改进,提出基于模糊隶属度的支配关系,并结合Harmonic、k邻域法和小生境技术对其中的拥挤密度估计方法进行改进,最后根据高维多目标的特点并结合模糊理论α-截集的思想提出了新的环境选择策略.将该算法与目前性能最好的5种多目标进化算法在标准测试函数集上进行对比试验,结果表明本文算法与其他算法相比具有明显的优势,不仅提高了算法的收敛性能,而且保证了Pareto最优解的均匀分布性.

多目标进化优化(2017)-郑金华，邹娟.pdf

多目标进化优化 作者:郑金华 出版社:科学出版社 出版时间:2017年12月 国际标准书号ISBN：9787030521491 近年来，多目标进化算法(MOEA)的研究进入了快速发展阶段，越来越多的人开始从事MOEA新方法和新技术的设计与实现，MOEA的应用日益广泛。 本书比较全面地综述了MOEA的国际研究现状和发展趋势，介绍了MOEA的基础知识和基本原理；论述和分析了构造Pareto*解集的方法、保持进化群体分布性的方法和策略，以及MOEA的收敛性；讨论了目前国际上*代表性的MOEA以及高维MOEA、偏好MOEA和动态MOEA；探讨了MOEA的性能评价方法、MOEA的测试方法，以及MOEA测试实验平台。*后，讨论了用多目标进化方法求解约束优化问题，并分类概述了MOEA的应用及两个具体应用实例。 本书可作为计算机、自动控制和其他相关专业高年级本科生、硕士研究生、博士研究生，以及MOEA爱好者研究和学习的教材或参考书。

论文研究-一种高维多目标量子粒子群优化算法 .pdf

一种高维多目标量子粒子群优化算法，夏长红，张勇，高维多目标优化问题广泛存在于日常生产生活中。由于该类问题一般包含多于3个且相互冲突的目标函数，至今缺乏有效的解决方法。基��

论文研究- 一种基于MDS的高维数据降维与可视化方法 .pdf

一种基于MDS的高维数据降维与可视化方法 ，任珂，马志强，降维与可视化是分析高维数据的有效手段。传统数据降维技术计算效率低，准确性较差，无法帮助分析者更深入理解和认识数据。因此，

多目标优化算法

进化多目标优化主要研究如何利用进化计算方法求解多目标优化问题,已经成为进化计算领域的研 究热点之一.在简要总结2003 年以前的主要算法后,着重对进化多目标优化的最新进展进行了详细讨论.归纳出 当前多目标优化的研究趋势,一方面,粒子群优化、人工免疫系统、分布估计算法等越来越多的进化范例被引入多目标优化领域,一些新颖的受自然系统启发的多目标优化算法相继提出;另一方面,为了更有效的求解高维多 目标优化问题,一些区别于传统Pareto 占优的新型占优机制相继涌现;同时,对多目标优化问题本身性质的研究 也在逐步深入.对公认的代表性算法进行了实验对比.最后,对进化多目标优化的进一步发展提出了自己的看法. 关键词: 多目标优化;进化算法;Pareto 占优;粒子群优化;人工免疫系统;分布估计算法

高维多目标多方向协同进化算法

<p>提出一种高维多目标多方向协同进化算法(HMMCA). 该算法利用目标空间内的一组方向向量将多目标优化问题分解成多个方向进行寻优, 并提出一种混合变异策略以加强算法在每个方向上的收敛能力; 同时, 该算法采用改进的交互式模糊支配和拥挤度估计因子来维护外部归档集的规模, 增强种群的收敛性和分布性. 将该算法与目前性能最好的3 种多目标进化算法在标准测试函数集上进行对比实验, 所得结果表明HMMCA与其他算法相比具有更好的收敛性和分布性</p>

论文研究-基于L支配的高维多目标人工蜂群算法 .pdf

基于L支配的高维多目标人工蜂群算法，毕晓君，，针对人工蜂群算法尚不能处理高维多目标优化的问题，改进以L支配及为基础的新型适应值评价方式，将高维多目标问题转化成单目标问��

基于参考点的高维多目标粒子群算法

高维多目标优化问题一般指目标个数为4个 或以上时的多目标优化问题.由于种群中非支配解数量随着目标数量的增加而急剧增多,导致进化算法的进化压力严重降低,求解效率低.针对该问题,提出一种基于粒子群的高维多目标问题求解方法,在目标空间中引入一系列的参考点,根据参考点筛选出能兼顾多样性和收敛性的非支配解作为粒子的全局最优,以增大选择压力.同时,提出了基于参考点的外部档案维护策略,以保持最后所得解集的多样性.在标准测试函数DTLZ2上的仿真结果表明,所提方法在求解高维多目标问题时能够得到收敛性和分布性都较好的解集.

论文研究-高维多目标动态停车场选择及路径诱导研究.pdf

现有停车诱导系统中采用的停车场选择及路径诱导方法多局限于提供用户出行前多目标最优的停车场选择方案及路径诱导方案，无法实现用户行进过程中动态的多目标停车场及路径优化选择，此外由于现有多目标优化算法性能受限，无法快速获得真正高维多目标最优的决策方案。针对上述问题，提出一种综合用户出行前静态的和行进中动态的高维多目标停车场选择及路径诱导模型，并设计了高维多目标优化算法KS-MODE保证模型的高效求解。实验结果表明，KS-MODE在4~15目标优化问题上的收敛性能相比较于现有多种算法具有明显优势，基于KS-MODE的模型求解能够在城市交通网中实现出行前及行进中的五目标最优的动态停车场选择及路径诱导，证明了高维多目标优化算法是求解停车场选择及路径诱导的有效方法，能够提高现有停车诱导系统的诱导精度及智能化程度。

论文研究-求解高维动态0-1背包问题的修补二进制差分进化算法.pdf

针对已有的动态优化算法求解高维动态背包问题（DKP）难以获得高质量的可行解，且跟踪环境速度慢，提出了一种修补二进制差分进化算法（BDE/R）用于求解高维DKP。在BDE/R设计中，一种随机压缩变异策略直接根据个体间的差异在离散域内对个体进行突变；提出了一种贪婪的修补策略，提高了所获可行解的质量和算法的收敛速度；设计了一种对偶变换算子，提高种群的多样性，加速了算法跟踪环境的能力。数值实验以平均环境跟踪精确度（Av-Acc）和平均环境跟踪适应度（Av-Ada）为性能评价指标，通过四种DKP测试BDE/R跟踪动态最优值的能力，并将BDE/R与其他五种著名的优化算法进行了比较。结果表明：BDE/R所获的Av-Acc和Av-Ada指标优越于其他算法；由平均适应度跟踪曲线比较获知，BDE/R跟踪环境速度快于其他算法。

论文研究-基于角度方差的多层次高维数据异常检测算法.pdf

异常检测一直是数据挖掘领域的重要工作之一。基于欧氏距离的异常检测算法在应用于高维数据时存在检测精度无法保证和运行时间过长的问题。在基于角度方差的异常检测算法基础上，提出了一种多层次的高维数据异常检测算法（hybrid outlier detection algorithm based on angle variance for high-dimensional data，HODA）。算法结合了粗糙集理论，分析属性之间的相互作用以排除影响较小的属性；通过分析各维度上的数据分布，对数据进行网格划分，寻找可能存在异常点的网格；最后对可能存在异常点的网格计算角度方差异常因子，筛选异常数据。实验结果表明，与ABOD、FastVOA和经典LOF算法相比，HODA算法在保证精测精度的前提下，运行时间显著缩短，且可扩展性强。

论文研究-高维目标减少算法.pdf

在多目标优化中，许多实际问题都是由很多目标（超过三个）所组成，但是目前提出的大多数算法却只有在三维以下时高效。由于超过三维的情况无法用欧式空间来表示，而且在处理高维问题时，算法的时间复杂度通常很高，因此人们开始考虑将高维目标转化为低维目标后再处理。首先介绍了目前已经存在的将高维目标转化为低维目标的算法，提出了一种新的算法，该方法通过数据拟合，将各目标函数拟合为一条直线，比较相互之间的斜率之差来确定目标是否存在冗余，以期减少冗余目标。

论文研究-武器装备体系组合规划的高维多目标优化决策.pdf

论文研究-武器装备体系组合规划的高维多目标优化决策.pdf,  针对武器装备体系组合规划问题中存在多类相互冲突的高维多目标问题(目标数 ≥ 5),提出了一种三阶段的集成优化决策方法. 首先运用目的规划技术将高维多目标问题转换为一般多目标优化模型(目标数 ≤ 3); 然后提出一种多目标差分进化算法,用于搜索属于决策者关心区间的非劣解集; 最后提出基于预测优化的理想点算法,可生成精确满足决策者偏

论文研究-基于模糊物元模型的高维多目标FJSP研究.pdf

为解决高维多目标柔性作业车间调度问题，提出了一种基于模糊物元模型与粒子群算法的模糊粒子群算法（fuzzy particle swarm optimization，FPSO）。该算法以模糊物元分析理论为依据，采用复合模糊物元与基准模糊物元之间的欧氏贴近度作为适应度值引导粒子群算法的进化，并引入具有容量限制的外部存储器保留较优的Pareto非支配解以供决策者选择。此外，构建了优化目标为最大完工时间、设备总负荷、加工成本、最大设备负荷与加工质量的高维多目标优化模型，并以Kacem基准问题与实际生产数据为例进行仿真模拟与对比分析。结果表明，该算法具有良好的收敛性，且搜索到的非支配解分布性较好，能够有效地应用于求解高维多目标柔性作业车间调度问题。

论文研究-一种改进的SUBCLU高维子空间聚类算法.pdf

SUBCLU高维子空间聚类算法在自底向上搜索最大兴趣子空间类的过程中不断迭代产生中间类，这些中间类的产生消耗了大量时间，针对这一问题，提出改进算法BDFS-SUBCLU，采用一种带回溯的深度优先搜索策略来挖掘最大兴趣子空间中的类，通过这种策略避免了中间类的产生，降低了算法的时间复杂度。同时BDFS-SUBCLU算法在子空间中对核心点增加一种约束，通过这个约束条件在一定程度上避免了聚类过程中相邻的类由于特殊的数据点合为一类的情况。在仿真数据集和真实数据集上的实验结果表明BDFS-SUBCLU算法与SUBCLU算法相比，效率和准确性均有所提高。