【摘 要】
:
在实际生活与工程应用中存在优化目标数较多且目标相互冲突的问题,这类问题被称为多目标优化问题。当目标个数大于3时,也可以被称为高维多目标优化问题。由于传统的多目标优化算法在面对高维多目标优化问题时性能下降,并且随着优化问题目标维数的上升,算法在目标空间的搜索会越复杂,优化算法复杂度也会随之增大。因此亟待设计出更加高效、性能更优的算法来解决高维多目标优化问题。随着人工智能领域中的机器学习算法快速发展,
论文部分内容阅读
在实际生活与工程应用中存在优化目标数较多且目标相互冲突的问题,这类问题被称为多目标优化问题。当目标个数大于3时,也可以被称为高维多目标优化问题。由于传统的多目标优化算法在面对高维多目标优化问题时性能下降,并且随着优化问题目标维数的上升,算法在目标空间的搜索会越复杂,优化算法复杂度也会随之增大。因此亟待设计出更加高效、性能更优的算法来解决高维多目标优化问题。随着人工智能领域中的机器学习算法快速发展,基于无监督学习的聚类策略逐渐成为解决高维多目标问题的热点研究方向。基于此,本文以聚类策略为基础,开展基于聚类策略的高维多目标优化算法的研究,主要研究内容如下:(1)给出了当前解决高维多目标优化问题的高维多目标进化算法框架,并根据框架介绍了基于个体重组和环境选择的高维多目标进化算法及所存在的不足和缺点。对聚类策略用于多目标优化问题进行综述介绍,并阐述了本文所研究使用的自组织映射网络、算法标准优化问题测试集和算法性能相关评价指标。(2)为了提高个体质量,引导算法逼近真实Pareto前沿,本文利用种群个体的数据结构信息及个体之间的相似性,提出一种基于SOM聚类和自适应算子选择的高维多目标进化算法。该算法首先采用SOM聚类算法提取数据结构信息,以获得个体间相似性。然后每个个体与相应的神经元相关联,将相似个体分配到相邻神经元。随后在类内利用个体支配信息进行自适应算子选择来产生优质子代引导个体重组,增强算法性能。最后将提出的重组方法与现有优势的环境选择策略相结合,增强种群的多样性和收敛性。实验结果表明,提出的算法在解决WFG问题和DTLZ问题上具有较强的竞争力并且性能指标整体优于对比方法。(3)为了解决优化算法在面对高维选择时,基于Pareto支配选择策略的算法选择个体压力减小,无法进一步区分优秀个体,并且无法维持种群的多样性和收敛性,提出一种基于SOM构建超平面的子空间关联策略。该策略首先采用SOM聚类策略构建个体聚类池。然后依据当前个体的聚类池内个体构建超平面,获取突出贡献个体,提升选择优秀个体压力,进一步保留非支配个体,增强算法的选择压力。最后利用子空间关联策略维持种群的多样性和收敛性,并对空子空间采用一种角度距离惩罚函数进行选择处理,提高种群多样性。此外,基于SOM构造超平面的子空间关联策略进一步提出了一种高维多目标进化算法,称为Ma OEA-HSOMS,用于求解高维多目标优化问题。实验结果表明,该算法在WFG测试问题中获得优异的性能,具有较强的竞争力,能够较好的解决高维多目标优化问题。
其他文献
航空航天等领域关键材料或器件,质量要求高,需实施可靠的检测。超声检测具有穿透能力强、检测成本低、材料内部缺陷检测灵敏度和准确率高等优点,得到了广泛的应用。随着航空航天装备性能的不断提升,对缺陷检出量级提出了更高的要求,需实现微小缺陷的检测能力。微小缺陷超声检测与常规超声检测不同,其检出能力受信号采集噪声、图像噪声和各种随机噪声等影响更明显,各种噪声干扰导致不能够正确识别微小缺陷。现有商业化设备只能
为了解决磁声发射检测技术中存在的实验仪器参数设计固定、传统时域信号特征量无法准确反映信号特性等问题,本文在充分分析磁声发射信号影响因素的基础上,优化了磁声发射检测装置;通过对实验得到磁声发射检测信号进行特征分析,提出了基于样本熵的特征提取方法,将其和无量纲指标相结合,构造出抗噪声能力强、受工况影响小的复合无量纲指标。本文主要工作内容如下:通过分析磁声发射检测技术的研究现状,明确了目前磁声发射检测技
涡轮叶片是航空发动机中的核心部件之一,无损检测是控制涡轮叶片生产质量的关键技术,涡轮叶片中微裂纹会在服役过程中受疲劳因素影响而扩展,甚至造成叶片断裂,针对涡轮叶片微裂纹进行无损检测对保障飞行安全性有重要意义。本文以航空发动机涡轮叶片为对象,以涡流检测和X射线成像检测两种方法开展涡轮叶片微裂纹无损检测试验。针对涡轮叶片微裂纹检测问题,首先开展了低压涡轮叶片进气边及排气边微小缺陷的涡流检测研究,确定涡
一般多目标优化问题需要同时优化的目标数通常在2个或3个,当目标数超过3个时,多目标优化问题就会被称为高维多目标优化问题。多目标优化问题的多个目标之间相互冲突,提升其中一个目标的性能往往会使得其他目标的性能下降,无法获得单一最优解,只能获得一组折衷解。另外,随着优化问题中目标数目的增加,如何有效平衡收敛性和多样性也是一个难点。针对处理高维多目标优化问题过程中的困难,本文提出了几种改进算法以提高求解高
X射线检测技术作为一种常规无损检测方法已有近百年历史,随着计算机技术发展,以平板探测器为主流的数字射线技术已得到了广泛应用。然而在工业检测领域受透照条件、现场环境等因素影响,普通胶片仍然有着无法替代的地位。如何实现这些胶片数字化,便于计算机存贮和传输,实现缺陷智能识别,成为传统胶片使用过程中亟需解决的关键问题。本文以平板焊缝X射线检测胶片为对象,通过扫描仪实现图像数字化。通过研究图像处理和机器学习
固体氧化物燃料电池(Solid Oxide Fuel Cell,SOFC)作为一种高温电化学装置,具有清洁高效、余热利用率高、燃料选择广泛等优点。然而,SOFC的大规模商业化受到成本、性能、耐久性的限制。为了解决这些问题,不仅仅需要对于各组分材料的性能进行优化,同时也需要对电极的微观结构进行优化,优异的电化学性能与SOFC材料在微纳米尺度上的结构紧密相关。因此,本文利用高分辨X射线CT技术获取了钇
图像序列光流计算是从连续帧图像中估计难以直接获得的稠密像素点二维运动矢量,由于光流既包含了图像中目标与场景的运动参数,还携带了丰富的结构信息,因此是图像处理和计算机视觉领域的一项重要研究任务,研究成果被广泛应用于动作识别、目标检测、三维重建、自动驾驶以及卫星云图分析等领域,具有广泛的应用前景和重要的应用价值。近年来,随着以卷积神经网络为代表的深度学习理论与方法的快速发展,基于深度学习的光流计算技术
裂纹是工程结构中的典型缺陷,其存在会影响结构的承载力、适用性和耐久性,甚至可能会造成结构物的垮塌等严重事故。因此,快速准确识别结构中的裂纹是保障结构可靠的重要措施之一,相关研究具有重要的理论价值和应用前景。凭借高效率、高精度、低成本和适用性强等特点,数值技术与人工智能算法的协同研究为裂纹识别提供了新途径。本文将扩展有限元法(XFEM)分别与误差反向传播多层前馈(BP)神经网络算法和经遗传算法(GA
脑部磁共振成像(MRI)的脑组织提取是将脑组织与非脑组织分离出来的过程,是神经影像分析领域中的一项重要的预处理步骤。快速、稳定、精度的脑组织提取是后续神经影像分析的必要条件。脑部MRI图像处理存在以下难点:1、由于成像条件不同,脑部MRI图像常出现低对比度、低信噪比和低强度问题;2、由于运动和场偏影响,脑部MRI图像常出现伪影和灰度分布不均匀问题;3、由于脑组织与非脑组织之间的灰度差异较小,甚至出
恶劣的天气条件会导致能见度下降,极大的影响获取的图像的内容和颜色。例如雨作为一种常见的天气状况,在户外拍摄时,雨水条纹会严重损害图像质量。雨图像中最常见的退化为在小区域产生严重的强度波动,从而阻碍和模糊场景。雨水的存在极大地阻碍了视觉系统应用程序的工作表现,因为它们通常依赖于干净的图像作为输入。去除雨水不仅能提高图像的视觉感知质量,也有利于各种高级视觉任务,如目标检测和图像识别。因此图像去雨技术的