基于差分进化算法和NSGA-II的混合算法.docx
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
"基于差分进化算法和NSGA-II的混合算法" 多目标优化问题(MOP)是指在实际工程中存在多个优化目标的优化问题,这些目标之间经常相互矛盾、相互冲突。为了解决这种问题,学者们提出了许多多目标优化算法,其中 NSGA-II 是一种常用的算法。NSGA-II 由 Deb 等于2002 年提出,近年来,学者们对它做出了许多改进。 为了进一步提升算法的优化性能,本文提出了改进的 DE-NSGAII 算法。该算法用差分进化算法(DE)的变异、交叉操作替代 NSGA-II 的交叉算子,在生成父代种群和更新非支配集时,首先利用快速非支配排序算法对种群分层,然后利用剪枝方法剪枝,从而进一步提高了 NSGA-II 算法的全局搜索能力,更好地保持种群个体良好的分布性。 改进的 DE-NSGAII 算法采用拉丁超立方体抽样技术(LHS)生成初始种群,将剪枝方法用于对最后一个即将进入父代种群或者非支配集 archive 的非支配层进行剪枝,将 archive 中非父代种群个体与父代种群合并为交配池。其交叉操作为 DE 交叉算子,其变异操作为随机变异算子。 在初始种群的生成中,改进的 DE-NSGAII 采用 LHS 生成初始种群,分布更均匀。父代种群的生成和非支配集的更新使用剪枝方法,首先使用快速非支配排序算法对 archive 或组合种群分级,等级越优的非支配层越先被选中,然后对最后一个即将进入父代种群或 archive 的非支配层 Fl 进行剪枝,直到非支配层 Fl 中剩余个体正好能填充父代种群或 archive 为止。 交配池的生成方式使用 archive 中非父代种群个体与父代种群组合为交配池。随机变异算子使用多项式变异操作,产生随机数 μ ∈ [0, 1],然后计算 δq,并将其用于更新个体的值。 改进的 DE-NSGAII 算法通过采用差分进化算法和 NSGA-II 算法,提高了算法的优化性能和种群个体的分布性,为解决多目标优化问题提供了一种更加有效的解决方案。
- 粉丝: 3907
- 资源: 1万+
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助