智能演化優化

目錄

上篇多目標優化問題與智能演化優化方法

第1章引言3

1.1研究背景3

1.2基本概念以及基本框架5

1.2.1多目標優化問題5

1.2.2多目標演化算法簡介6

1.3相關研究工作綜述8

1.3.1進化高維多目標優化8

1.3.2多目標演化算法中的變化算子11

1.4本章小結12

第2章基礎知識13

2.1典型的基於分解的多目標演化算法13

2.1.1問題分解多目標演化算法13

2.1.2集成適應度排序14

2.1.3第三代非支配排序遺傳算法14

2.1.4多目標遺傳局部搜索15

2.2差分進化16

2.3柔性作業車間調度的析取圖模型17

2.4標準測試問題19

2.4.1高維多目標優化測試問題19

2.4.2柔性作業車間調度測試問題20

2.5性能指標20

2.6本章小結22

第3章在基於聚合的多目標演化算法中平衡收斂性和多樣性24

3.1前言24

3.2類似算法簡介25

3.3基本思想26

3.4算法詳解27

3.4.1增強MOEA/D28

3.4.2增強EFR29

3.4.3可選歸一化過程30

3.4.4計算復雜度30

3.4.5討論31

3.5實驗設計32

3.5.1測試問題32

3.5.2性能指標34

3.5.3比較算法34

3.5.4實驗設置35

3.6算法的性能分析37

3.6.1參數K的影響38

3.6.2收斂性和多樣性的研究40

3.7與先進算法的比較44

3.7.1在歸一化問題上的比較44

3.7.2在非歸一化問題上的比較53

3.7.3進一步討論56

3.8本章小結57

目錄  智能演化優化〖2〗〖2〗 〖1〗 第4章基於新型支配關系的多目標演化算法58

4.1前言58

4.2基於θ支配的演化算法59

4.2.1算法框架59

4.2.2參考點的生成60

4.2.3重組算子61

4.2.4自適應歸一化62

4.2.5聚類算子62

4.2.6θ支配64

4.2.7θDEA的計算復雜度65

4.3實驗設計65

4.3.1測試問題65

4.3.2性能指標66

4.3.3比較算法67

4.3.4實驗設置68

4.4實驗結果70

4.4.1與NSGAⅢ和MOEA/D的比較70

4.4.2與先進算法的比較79

4.4.3參數θ的影響92

4.4.4進一步討論95

4.5本章小結96

第5章基於分解的多目標演化算法中的變化算子97

5.1前言97

5.2目標算法98

5.3實驗研究99

5.3.1實驗設置99

5.3.2NSGAⅢDE中參數的影響100

5.3.3NSGAⅢDE、NSGAⅢSBX: 探索與開發102

5.3.4NSGAⅢ變體之間的比較104

5.4本章小結109

第6章多目標優化中的目標降維: 演化多目標優化方法與綜合分析110

6.1前言110

6.2基本知識和背景112

6.2.1多目標優化112

6.2.2目標降維的基本概念113

6.2.3Pareto前沿的表示和誤導114

6.2.4目標降維的現有方法115

6.3多目標優化方法117

6.3.1基於支配結構的多目標優化公式117

6.3.2基於相關性的多目標優化公式118

6.3.3使用多目標演化優化算法119

6.3.4採用多目標優化方法的好處120

6.4對基於支配結構的方法和基於相關性方法的分析121

6.4.1理論基礎121

6.4.2基於支配結構的方法的優缺點122

6.4.3基於相關性方法的優勢和局限性123

6.5基準實驗125

6.5.1基準問題125

6.5.2樣本集的生成126

6.5.3算法的比較126

6.5.4多目標降維方法行為研究127

6.5.5演化多目標優化搜索的有效性130

6.5.6在演化多目標搜索領域中確定關鍵目標集的比較132

6.6應用於現實問題141

6.6.1應用於水資源問題141

6.6.2應用於汽車側面碰撞問題142

6.6.3討論143

6.7方法的優勢145

6.7.1關於輔助優化的目標降維145

6.7.2關於可視化和決策制定147

6.8本章小結148

第7章利用支配預測輔助的高成本多目標演化優化150

7.1前言150

7.2背景知識152

7.2.1多目標優化152

7.2.2θ支配153

7.2.3深度前饋神經網絡154

7.3θDEADP算法155

7.3.1概述155

7.3.2Representative解157

7.3.3基於支配預測的代理模型158

7.3.4兩階段預選策略160

7.3.5討論161

7.4實驗162

7.4.1實驗設計162

7.4.2多目標優化問題的性能166

7.4.3眾多目標優化問題的性能171

7.4.4θDEADP組成部分的研究177

7.5本章小結180

上篇總結181

下篇柔性作業車間調度問題及其優化求解

第8章FJS問題概述185

8.1多目標柔性作業車間調度問題185

8.2多目標柔性作業車間調度的研究現狀187

8.3模因演算法189

8.3.1模因演算法簡介189

8.3.2求解多目標組合優化問題的模因演算法190

8.4本章小結191

第9章基於混合和聲搜索的柔性作業車間調度192

9.1前言192

9.2相關工作介紹193

9.2.1柔性車間調度193

9.2.2和聲搜索算法（HS算法）194

9.2.3混合和聲搜索（HHS）算法和混合TS算法（TSPCB）之間的差異194

9.3HHS算法196

9.3.1算法框架196

9.3.2和聲向量的表示196

9.3.3和聲向量的評估196

9.3.4初始化和聲記憶201

9.3.5新和聲向量生成202

9.3.6依賴問題的局部搜索203

9.3.7更新和聲記憶207

9.4實驗207

9.4.1實驗設置207

9.4.2計算結果和比較209

9.4.3HHS與其他算法的進一步比較215

9.5討論218

9.6本章小結219

第10章基於混合差分進化的柔性作業車間調度算法220

10.1前言220

10.2基本DE算法222

10.2.1算法初始化222

10.2.2不同載體的突變222

10.2.3交叉223

10.2.4選擇223

10.3針對FJSP的HDE223

10.3.1HDE概述223

10.3.2表示和初始化225

10.3.3雙向量編碼225

10.3.4轉換技術227

10.3.5局部搜索算法229

10.4實驗233

10.4.1實驗設置233

10.4.2Kacem實例的結果235

10.4.3BRdata實例的結果235

10.4.4BCdata實例的結果235

10.4.5HUdata實例的結果239

10.4.6HDE的進一步性能分析244

10.5本章小結251

第11章大規模柔性作業車間調度問題的集成搜索啟發式算法252

11.1前言252

11.2混合和聲搜索253

11.2.1HS簡介253

11.2.2HHS程序254

11.2.3HHS對FJSP的適配255

11.3大鄰域搜索260

11.3.1LNS概述260

11.3.2FJSP的基於約束的模型261

11.3.3約束破壞算法261

11.3.4構造算法262

11.4集成的啟發式搜索方法: HHS/LNS262

11.5實驗研究263

11.5.1實驗設置263

11.5.2HHS模塊性能分析263

11.5.3LNS模塊性能分析268

11.5.4整合效應269

11.5.5大規模基準實例的計算結果269

11.6本章小結276

第12章求解多目標柔性作業車間調度的模因演算法278

12.1前言278

12.2算法概述279

12.3全局搜索策略280

12.3.1染色體編碼280

12.3.2染色體解碼281

12.3.3遺傳操作282

12.4局部搜索策略283

12.4.1個體選擇283

12.4.2針對個體的局部搜索284

12.5實驗分析289

12.5.1評價指標290

12.5.2局部搜索中接受準則的實驗研究291

12.5.3遺傳搜索和局部搜索混合的有效性293

12.5.4局部搜索中分層策略的有效性297

12.5.5與先進算法的比較299

12.6進一步討論307

12.7本章小結308

下篇總結309

參考文獻310

附錄A334

A.1英文縮寫對照表334

A.2圖片索引338

A.3表格索引342