【摘 要】
：
实际生活与科学研究中存在许多的多目标优化问题,由于多目标优化问题不能得到满足所有目标最优的解集,只能找到折中的解集,一次运用能得到多个解的进化多目标优化算法能较好的解决多目标优化问题。根据对一些进化多目标优化算法的研究,本文选择了其中具有代表性的基于分解的多目标优化算法（MOEA/D）作为研究内容。本文对MOEA/D算法进行了研究,该算法在解决拥有复杂帕累托前沿的问题时效果较差,因此本文根据该算法
论文部分内容阅读
实际生活与科学研究中存在许多的多目标优化问题,由于多目标优化问题不能得到满足所有目标最优的解集,只能找到折中的解集,一次运用能得到多个解的进化多目标优化算法能较好的解决多目标优化问题。根据对一些进化多目标优化算法的研究,本文选择了其中具有代表性的基于分解的多目标优化算法（MOEA/D）作为研究内容。本文对MOEA/D算法进行了研究,该算法在解决拥有复杂帕累托前沿的问题时效果较差,因此本文根据该算法的特点对其进行了改进。并将改进的算法应用到实际问题中。本文的主要工作有以下三点。第一,本文根据MOEA/D算法的多样性维持方向入手,提出一种改进算法MOEA/D-EPC,利用外部种群来保存被种群淘汰的非支配解,并使用拥挤距离来维持外部种群,在进化后期利用外部种群来对种群进行更新,并使用稳定匹配方法来建立个体与权重的关系,既保证了收敛又进一步提高了解的多样性。第二,针对MOEA/D算法处理拥有复杂帕累托前沿的优化问题的不足,本文提出了一种改进算法MOEA/D-GUAW,前期通过利用精英个体促进种群加快收敛,根据种群活跃程度判断收敛状态,达到一定收敛程度时,根据种群中个体的拥挤程度,调整权重向量。为了验证提出的改进算法的有效性,本文分别在7个2目标测试函数集和7个3目标测试函数集上进行测试,并使用了两个性能指标来衡量算法的性能。实验结果表明,两个改进算法在解的收敛和分布上都优于其他的对比算法。第三,本文分析推荐系统的特点与存在的问题,将准确性和新颖性的长尾推荐描述为一个多目标优化问题。然后将两种改进算法应用到推荐系统上,并将结果与其他算法进行对比,验证这两种改进算法在此实际应用中的性能。实验结果表明,两种改进算法的效果不仅优于常用的推荐算法也优于MOEA/D算法。
其他文献
计算机断层成像（Computed Tomography,CT）具备快速生成高分辨率人体组织图像的特点,是医学诊断中广泛使用的一种成像方式。然而,过量的辐射暴露会增加患癌风险。虽然降低辐射剂量可极大限度地降低健康风险,但也会导致CT图像中存在过多噪声和伪影。因此,如何在低辐射剂量条件下获取高质量CT图像是一个具有重要意义的课题。近年来,卷积神经网络促使低剂量CT图像去噪研究取得了突破性进展,但相关研
准确的交通流量预测能够为居民提供出行引导,帮助交管部门更加科学的管理道路网络,引导市政部门的道路建设,使人们的生活更加便利。然而交通流数据受到多种因素的影响,这些因素互相作用带来了交通流数据复杂的时空相关性,导致在对交通流数据建模的困难。针对交通流量预测问题,本文提出了两个基于动态图卷积和注意力机制的交通流量预测模型,并在Pe MSD4和Pe MSD8两个真实世界交通数据集上相对于11个不同的基准
下颌运动是人完成咀嚼、吞咽、语言、表情等口腔功能活动的外在表现形式,一直以来都是口腔医学研究的重要领域。由于颞下颌关节、咀嚼肌群、牙齿咬合接触等需要协调工作才能保证下颌运动正常,在口腔治疗中,为了避免下颌运动与牙齿咬合失调,需要在术前进行准确的记录和模拟下颌运动轨迹。铰链轴在下颌运动中起到重要作用,是下颌运动中控制开闭口运动的转动轴,位于下颌髁突重心连线附近。现有方法采用机械牙合架描点标记的方式进
随着互联网的普及和大数据的快速发展,涌现了海量的文本数据,如何从这些杂乱、无结构的文本数据中提取出有价值的信息,引起了学者们的广泛关注。关系三元组抽取作为自然语言处理重要的任务之一,其目的是从无标注的文本数据中抽取出知识事实,对知识图谱的构建、文本摘要、智能问答、推荐系统等领域起着关键的作用。现已有大量的关系三元组抽取方法被提出并取得了很好的效果,但这些方法仍然有许多不足。基于这些方法,本文的主要
智能交通系统的应用在缓解交通拥堵等问题上取得了显著效果,准确的交通预测是智能交通系统的关键。随着物联网技术在交通领域的广泛应用,采集的交通数据越来越丰富和精细化,数据驱动的交通预测已成为产业界和学术界关注的焦点。然而,交通数据具有高度的非线性和复杂的动态时空相关性,准确的交通预测特别是长期预测仍是一个难题。现有模型通常是学习从路网生成的固定图来捕获空间相关性,面临着以下局限:（1）难以有效捕获随时
图像是信息的载体,图像的质量就是信息的质量,而超分辨率重构则是一种能够改善图像质量的技术,该技术在卫星遥感、监控图像、医疗诊断、生物识别等各项领域中都有着广泛的应用,具有很强的研究价值和应用价值。而随着深度学习在超分辨率重构领域的广泛使用,重构精度相比传统方法已经得到了质的飞跃。但目前的超分辨率重构模型存在着参数量大、推理速度慢等问题,阻碍了超分辨率重构技术应用于实际生活当中,因此,研究轻量化的超
目标检测是计算机视觉领域的基础任务之一,旨在找出图像中特定的目标,并对目标进行定位和分类,已被广泛应用于工业质检、自动驾驶、遥感图像检测等众多领域。随着深度学习的兴起与发展,基于全监督学习的目标检测算法被广泛使用,但是全监督学习需要对大量数据集进行精细的边界框标注,标注过程费时费力且成本高昂,因此基于弱监督学习的目标检测越来越受到关注。本文研究基于深度学习的弱监督目标检测算法,分别对现有算法中存在
随着互联网的迅速发展和普及,越来越多的人选择通过网络购买商品,于是这些网络购物平台积累了大量的商品评论。这些评论有助于消费者选购到符合需求的商品,也有助于商家改进产品。阅读并分析这些评论需要耗费大量的时间和精力,所以研究人员提出了情感分析（sentiment analysis）技术来解决这些问题。方面级（aspect-level）情感分析是情感分析技术中的一种,其目的是分析句子中给定方面的情感极性
膜计算（Membrane Computing）作为自然计算领域的其中一员,它是有别于传统计算体系的一类受生物细胞行为活动及功能启发的计算模型。膜计算的计算模型称为P系统（P system）,作为一种分布式的并行计算模型,其算力对比传统计算模型有显著的优势,因而近些年逐渐受到广泛关注。膜进化算法MEA（Membrane Evolutionary Algorithm）是一种受膜计算以及生物细胞启发而提
随着V2X（Vehicle-to-Everything）技术的飞速发展,车联网通信环境下的交通安全问题成为研究热点,如何保障车联网环境下交通节点之间交互数据的完备性是解决该问题的关键。本文针对真实车联网通信环境下大型车辆对其它通信节点间数据传输的影响展开研究,提出了一种基于C-V2X（Cellular Vehicle-to-Everything,蜂窝车联网）技术的V2X交互数据完备性保障策略,以降