刘海林[1]2002年在《单目标、多目标最优化进化算法》文中提出在科学技术和经济管理等诸多领域，许多问题都可归结为某种函数的最优化这类数学模型。进化算法作为处理复杂函数最优化、全局最优化和多目标最优化问题的一种有效算法，正日益受到人们的重视。本文对带约束的单目标、多目标、分层多目标最优化进化算法进行了研究，提出了新的算法。 针对进化算法计算量大、局部搜索能力弱的不足，把一种数学试验方法——均匀设计用于构造进化算子，使新的进化算子具有相似于传统最优化算法的局部搜索特性，提高了算法的搜索效率。对一组测试函数的数值实验表明新算法计算量少收敛速度快。 对多目标最优化问题，我们构造了一个新的适应值函数，它以规范化后的目标函数乘以一个适当的权重再取最大值作为适应值函数。权重的构造方法与通常的方法不同，它既不限制权重介于0与1之间，也不要求它们之和为1，而只需权重为正且要求它们之积为1。通过广义球面坐标变换选取多组权重向量和均匀设计构方法，保持了种群的多样性，使新算法更易于求出均匀分布的Pareto最优解。该算法的显着特性是不管有效界面是否凸，都能找到足够多均匀分布的有效解。同已有的好算法的数值实验比较也表明了该算法的有效性。 提出了求解约束最优化问题的一种新的进化算法。算法通过把约束优化问题转化为多目标规划，对这个多目标规划，根据带权极小极大策略构造了一个同进化代数有关的变适应值函数。这样定义的变适应值函数能使种群中的容许解逐渐增加并且保持其多样性。该方法能有效处理约束，特别是紧约束。用类似的思想给出了解决约束多目标最优化的一种新的进化算法，计算机仿真显示这种处理单目标、多目标的方法是有效的。 提出了求解二层字典分层多目标最优化的进化算法。该算法把求解问题转化为多目标最优化，用第二优先层的非劣解来确定选择算子，利用求解多目标最优化类似的方法，直接求出问题的解而不用逐层求解。数值模拟表明该方法是可行的
陈绍新[2]2007年在《多目标优化的粒子群算法及其应用研究》文中进行了进一步梳理粒子群算法(PSO)是近几年发展起来的解决多目标优化问题的群智能算法。该算法基于这样的假设：群体中的各个粒子能够从其过去的经历和其它粒子的经历得到有效的信息。实验发现，对于大多数优化问题，其有更快的收敛速度，需要设置的参数较少等特点，但它们在解集分布性、收敛性方面仍存在不足，涉及到的实际应用较少。本文对多目标粒子群算法进行了系统研究，在前人研究的基础上从叁个方面改进了多目标粒子群算法，并将改进的多目标粒子群算法应用到营养配餐计算模型的求解过程之中，本文的工作主要有以下几个方面：1．总结了多目标优化的传统解决方法和基于进化算法计算的解决算法，并重点介绍了粒子群算法及其在多目标优化领域的研究现状。2．设计了一种新的多目标粒子群求解方法，主要从叁个方面对算法进行了改进和优化：(1)在粒子全局最优值选取过程中，先后采用了拥挤机制和禁忌算法，从而使全局最优值的选取更为合理，避免了算法过早陷入局部最优，保持了解的分布性；(2)在处理约束条件方面，传统的处理方法大多只考虑粒子所在区域，致使边界值处理精度不高，本文引入半可行域的概念，进而改进了适应度函数的求解方式，克服了传统的约束处理存在的问题；(3)在时间复杂度方面，传统的构造非支配集的方法时间复杂度较高，本文采用了随机选择策略交换分组的非支配集构造方法，提高了构造非支配集的效率，减少了算法的时间复杂度。3．针对传统的营养配餐模型多为经济目标函数，主要考虑食物价格因素的特点，提出了新的营养配餐模型，能在满足人体各种营养需求的基础上，满足各类人群的需求，具有种类多样化、灵活化的特点。最后，将提出的新的多目标粒子群算法应用到新的营养配餐模型中，针对营养配餐的特点设计并实现了基于Web的新的营养配餐决策支持系统。通过与传统营养配餐模型和求解方式的实验结果进行比对，验证了本文提出的新的多目标粒子群算法的可行性和有效性，拓展了新的多目标粒子群算法的应用领域。
郑哲[3]2016年在《进化算法的研究及其设计》文中研究说明大量的优化问题存在于现实生活和生产管理之中。近些年来,智能计算已成为求解优化问题的一个研究热点,特别是进化计算。进化计算由最初的生物计算发展到各种类型的自然计算算法及技术,包括神经计算、生态计算以及经济计算等等,在科学研究、工程实践以及生产管理取得了显着的发展。本文对进化算法进行探讨,其中分别对单目标类型和多目标类型的优化问题进行算法设计,主要工作内容和创新之处有：在单目标最优化方面,提出了一个基于协方差学习机制和搜索偏好的算法CMLSP以及采用了切换开关算法框架把CMLSP与CMAES结合为算法CM-LSP/AES。其基本目的是在良好的解的附近投入更多的搜索资源寻找更好的解。为了达到这一目的,我们摒弃了进化算法中传统的杂交变异方式,而设计了一个基于协方差矩阵学习的方法来产生更高质量的解。CM-LSP/AES的设计包含了两个部分,一是CMLSP基于协方差学习机制以及基于高斯分布变异的搜索偏好设计；二是基于开关切换框架下结合了CMLSP和CMAES,使得两个算法相辅相成。CM-LSP/AES与经典的进化算法CMAES和CoBiDE进行实验对比。实验仿真表明,CM-LSP/AES是一个能解决复杂问题(包括大部分黑箱问题)全局优化的有效方法。在多目标最优化方面,提出了一个基于种群分解以及种群参考距离的超多目标进化算法,命名为EAPD-RD。该算法的设计目的主要是为了解决高维多目标最优化问题中出现的维数灾难问题带来的弱收敛性、弱搜索能力以及弱多样性。EAPD-RD引用了种群分解技术,保证了进化过程中种群的多样性以及降低了计算量；其次,利用了种群的距离信息实现了二次判断使得传统的非支配关系在高维空间中的效用性增强;最后,采用小生态技术来衡量种群之间的拥挤程度并且作为选择更好解的依据,保证了种群的多样性。EAPD-RD与MOEA/D、NSGA-Ⅲ以及GrEA叁个算法对六个测试问题在叁个不同维度下进行实验仿真。通过实验仿真分析,证明了EAPD-RD在处理高维多目标问题具有一定的优势,平衡了收敛性、多样性以及计算速度。
柏静[4]2016年在《基于多种混合策略的人工蜂群算法改进研究》文中研究指明随着科技的不断进步,在科学研究和工程实践中遇到的问题变得越来越复杂,采用传统的计算方法来解决这些问题面临着计算复杂度高、计算时间长等问题。而近期广泛研究的群体智能算法,由于不需要具体的数学模型和对所求解的问题不设定特别的假设,为求解此类问题开辟了新的研究思路。人工蜂群算法是2007年土耳其学者Karaboga提出的一类模仿蜜蜂群体的智能行为产生的算法,并且在同期出现的各种蜂群智能算法中,是应用最广泛、研究得最多的算法,现已成为群体智能研究领域中的新兴研究分支之一。但截至到目前,人工蜂群算法的体系研究还不够成熟,存在算法结构简单、操作算子形式单一等问题。另外,对其现有的研究大都是针对相关领域的单目标优化问题,对多目标问题的研究才刚刚起步,并且存在求解策略简单、解的质量不高、收敛速度慢等问题。因此,研究如何改进人工蜂群算法,尤其是根据不同的优化问题采用比较成熟的求解策略和操作算子来提高人工蜂群算法的性能,具有重要的理论意义和潜在的应用价值。本文在对现有的改进人工蜂群算法进行充分研究和深入探索后,针对具体的优化问题和算法中存在的不足,研究了几种算法混合策略,设计了几种改进的人工蜂群算法,并且用典型的测试函数进行大量的数值比较实验。论文的主要研究成果包括以下内容:1、针对原算法的开采能力不足,尤其是在接近最优解时,算法的搜索能力变弱,收敛速度变慢的问题,研究了混沌映射用于改进人工蜂群算法的局部搜索性能。其中,Logistic混沌映射是一个非常简单的经典模型,在很多算法的改进中所使用,但它对初值设置的依赖性强,并且在0和1两点附近的分布要多于其它区域。Tent映射产生的混沌序列更具有全局遍历性,且分布较Logistic映射更均匀,但由于存在不稳定的周期点和不动点,在某些取值上分布较差。针对这些缺陷,本文对Tent映射进行了改进,并对二维混沌映射模型Hennnon映射进行了研究,利用其具有映射空间大,动力学特性复杂且简单易于实现的特点,改进算法搜索范围。2、本文研究了两种基于混沌搜索的人工蜂群算法用于求解单目标无约束优化问题,分别是基于改进的Tent映射的GTENTABC和基于Hennon映射的HENABC。在7种测试函数的实验中,把以上两种算法和常用的Logistic混沌搜索、Tent混沌搜索,以及基本的人工蜂群算法进行比较,可得GTENTABC算法不管是在单峰还是多峰问题上,都能在收敛速度和求解精度上获得比基本的ABC算法及其他混沌搜索算法较好的结果,并且随着维数的增加,也能保持较好的有效性和鲁棒性。说明GTENTABC算法不仅具有全局寻优能力,而且具有较强的局部搜索能力。其次,采用二维混沌映射模型的HENABC算法在多模态高维测试中获得了良好的结果,可以得出HENABC算法能扩大算法搜索空间,比较适合于求解复杂的高维问题的结论。3、针对人工蜂群算法求解约束优化问题性能较差的缺点,受文化基因算法启发,在前面GTENTABC算法的基础上,提出了一种基于可行规则的文化基因人工蜂群算法(MGT_ABC)来求解约束优化问题。算法中采用差分搜索算法作为文化基因框架里的演化算法进行全局搜索,并采用可行规则来处理算法中的约束项,在算法的开始阶段选取一定比例的蜂群个体按照差分进化算法搜索蜜源位置,以提高种群的多样性,随后按照一定的概率模型进行动态分配跟随蜂进行邻域开采,将较多的计算资源动态分配给当前表现较好的更新策略,以适应约束优化问题的特性。通过包括难约束Bump问题在内的9个约束优化问题进行实验,并与其他文献中的算法进行了比较,验证了MGT_ABC算法的有效性。4、针对多目标人工蜂群算法的求解局限,提出基于分解的多目标人工蜂群算法MOABCD。采用分解的思想,将传统的数学规划方法与人工蜂群算法相结合,把多目标优化问题转化为单目标子问题集来求解,采用对称拉丁采样来生成尽可能均匀的权重因子,使得各个优化目标的分布多样性较好,并基于惩罚函数的边界交集法来分解优化的多个目标,能有效的避免陷入局部最优。用19个测试函数对包括本算法在内的10种算法进行数值比较实验,验证MOABCD算法的有效性。
马永杰[5]2010年在《大型仓储系统的调度算法研究》文中认为自动化仓储系统(AS/RS)是现代物流和CIMS中的重要环节,对现代企业的生产发挥着日益重要的作用。AS/RS是一个离散的、随机的、动态的、多因素、多目标的复杂系统,对AS/RS的智能化管理将导致复杂的系统优化问题。大型仓储系统作为自动化仓储系统的一个重要发展方向,具有控制更为复杂、优化效率要求更高等特点,而传统的优化方法求解过程不仅时间较长、成本较高,而且不易求得最优解。本文将快速遗传算法的理论研究,与首都国际机场大型货运站仓储系统工程项目相结合,以进一步完善大型仓储系统的智能化管理、提高系统整体效率为目标,开展了大型仓储系统优化方法的研究。该项研究,对于提高大型仓储系统的智能化水平,提高仓库的运行效率,降低运行成本,提高物流运营企业和设计研发企业的竞争力等方面,都具有重要的工程意义；对于如何获得高效、稳定、可靠的快速遗传算法,遗传算法如何更好地模拟复杂系统的适应性过程和进化行为、在优化问题求解中如何才能具备全局攻敛性、搜索效率如何评价、如何与其他算法结合、如何更好地适应工程的需要等遗传算法的主要研究方向上,都具有重要的理论价值。论文主要工作如下：(1)以首都国际机场大型货运站仓储系统为例,分析了AS/RS,特别是大型仓储系统的工作流程和特点,提出了智能控制的方向和内容,建立了大型仓储系统的优化模型,选择遗传算法作为主要的优化算法,提出了大型仓储系统优化的目标函数和约束条件。(2)设计了一种快速单目标约束遗传算法。该算法提出一种既利用不可行解扩大搜索范围、又不引入惩罚因子的约束处理方法；设计了一种具有“记忆”能力的交叉算子,能够阻止个体的“返祖”现象,避免了重复搜索,提高了搜索效率；设计了搜索步长和方向可变的非均匀变异算子,可以保证算法在前期的快速搜索能力和后期的最优解的保持能力；采用“精英”保持策略,将父代的最优个体合并到子代,使算法具有较强的鲁棒性。.性能分析表明,该算法为1阶快速收敛的遗传算法,收敛速度优于其它3种对照的遗传算法,而且参数的选择对于算法的收敛速度没有本质的影响,一般能很快找到全局最优解或近似最优解。(3)设计了一种快速多目标约束遗传算法。该算法提出一种能够从可行解空间和不可行解空间同时搜索(边界搜索)的交叉算子,将约束条件和目标结合在一起,引入一种新的偏序关系用于比较个体之间的优劣；提出一种新的Niche值计算方法作为维持群体均匀性的主要动力,并采用已搜索解集避免了算法的重复搜索。采用Markov链作为分析工具,证明了算法的收敛性。仿真结果表明,与同类进化算法相比,该算法能够快速收敛到Pareto前沿,并能很好地维持群体的多样性。(4)采用遗传算法,进行自动化仓库的货位和拣选路径的优化。在AS/RS中,提出了基于随机存储策略的库区分配优化、货位分配优化、行驶时间优化的优化控制目标,采用罚函数法对堆垛机的容量和行驶速度、多任务作业周期中先存后取、由近及远存储、由远及近出库等约束条件进行处理。利用遗传算法,在已经存储一定数量的货物的大型自动化仓库中,求出了动态货位分配和拣选路径优化的Pareto最优解。实验表明,该方法能够很好地满足立体仓库优化控制的工程实际需要。(5)进行AS/RS中堆垛机动态待命位的研究。由存储时间优先的出库策略确定了m个可能的访问点{Pi|i=1,...,m},由随机存储策略得到了这m个可能的访问点分别具有的流通率{Ii|i=1,...,m},证明了这m个可能的访问点属于格拉斯曼空间。利用多质点重心法,通过格拉斯曼空间到仿射空间的映射,求出了堆垛机动态待命位。计算结果表明,该方法总体性能优于已有的研究结果。(6)在上述研究的基础上,分析了该大型仓储系统的性能。利用遗传算法确定了自动化仓库的动态拣选路径,采用多质点重心法获得了堆垛机的动态待命位,之后,利用堆垛机的加速和减速曲线,得到堆垛机在自动化仓库中的平均作业时间,最终获得该大型仓储系统的出入库能力,并分析了货位分配、拣选路径优化和堆垛机的动态待命位对提高出入库能力的贡献,从而也体现了本文研究的工程价值。本文的研究结果,已经在首都国际机场大型货运站仓储系统工程项目中部分使用,并取得了良好的优化效果。
李栋[6]2008年在《量子衍生多目标进化算法及其应用研究》文中指出量子衍生进化算法是基于量子计算原理的一种进化算法。它以量子计算的一些概念和原理为基础,用量子位编码,量子门作为更新算子来完成进化搜索。与传统进化算法相比,量子衍生进化算法能够更容易的在探索与开发之间取得平衡,具有种群规模小、收敛速度较快、全局寻优能力强的特点。研究结果表明量子衍生进化算法在很多多目标优化问题上比传统进化算法具有更好的性能,但解决一些复杂多维问题的能力不强,容易陷入局部最优,造成算法的早熟。为了使量子衍生进化算法能够有效的克服以上缺点,更好的解决实际中的优化问题,本文对此做了进一步的研究。本文的主要的研究内容和成果如下:(1)提出一种基于R & Nε门新的量子衍生多目标进化算法。该算法主要思想如下:为缩小种群规模,对种群采用量子比特编码;在传统的旋转门中引入带概率的非门,改进了引导算法进化的旋转门,提高了算法的收敛性,避免了其陷入局部最优;并结合传统进化算法中的非支配快速排序和拥挤距离排序算子,最终构造出了一种种群规模小、收敛性更强的新算法。(2)基于有限集理论和概率论,从理论上证明了本文算法的收敛性,得到了算法的充分收敛条件。(3)基于0/1背包问题的一系列仿真实验表明:本文算法不仅能更快更精确地逼近全局Pareto前沿,又能使解更好地分布在Pareto前沿,尤其在复杂多维背包问题上算法有更好的效果。(4)将本文算法应用于某区域水资源优化配置,提出了一个合理有效的解决方案,为该区域水资源优化配置作出了有益的探索。
李美莲[7]2011年在《基于分类设计求解多目标优化问题的进化算法》文中提出在日常生活和科学研究的各个领域中均存在着各种各样的优化问题,而解决这些优化问题就是从所有可能的方法中找到最合理、最可靠的解决方案。在大多数多目标优化问题中,目标函数通常是相互冲突且最优解(Pareto解)并非唯一,如何充分利用各个目标函数,从众多的最优解中求得分布均匀且最具代表性的解供决策者选择是十分重要的。进化算法是一类基于生物进化机制的随机性全局搜索方法。在现有的许多优化算法中,进化算法因其在全局搜索和同步搜索能力上的优势成为了优化的热门方法。论文将基于目标函数的分类设计与进化算法充分结合,给出了两种新的解决多目标优化问题的算法。本文主要内容包括:第一,定义了分类函数和基于目标函数的分类函数标准,在此基础上设计了一种形式简单的分类函数,最后结合均匀设计方法给出了一种新型的解决多目标优化问题的进化算法——CL-MOEA,该算法的主要特色在于设计的分类函数和在各个类上的进化算子。第二,巧妙地将聚类方法和均匀设计结合在一起,同时作用生成初始种群,并且给出了形式简单的进化算子,在此基础上,设计了一个新的聚类-进化算法C-MOEA。在整个算法中,进化算子的简洁突出了聚类方法在处理种群分类时的优越性。最后,运用新算法对多个测试函数进行性能测试,实验结果表明新设计的两个算法与其他算法相比,可以取得效果更好,鲁棒性更高的最优解。
张伟星[8]2013年在《基于粒子群优化算法的动态多目标优化算法研究及应用》文中指出在智能算法领域,除了以Darwin进化论“适者生存”思想为基础的进化算法在求解优化问题方面已经获得了不同程度的成功之外,群智能算法之一的粒子群优化算法也在解决优化问题方面取得了一定的成功。粒子群优化算法(Particle Swarm Optimization, PSO)即是其中一种相对新颖的优化技术,它的主体思想是基于模拟鱼群鸟群的群体智能效应,即通过一些简单个体在环境中局部的相互交流而产生的全局优化的集体效应。自从在1995年由Kennedy和Eberhart提出粒子群优化算法,由于它在概念上容易理解,方便应用而且收敛迅速,跟其他的进化算法相比,它具有一个突出优势,即可以用较少的个体进行搜索而得到较好的结果,储存量和计算量都相对比较低,因而引起了很多研究人员的兴趣而逐渐成为进化算法的一个重要分支。在利用进化算法解决静态多目标优化问题方面已经取得了不错成果。然而在现实生活中,许多问题不仅有多个目标,而且各个目标是与时间因素有关的,人们把这类与时间有关且有多个目标函数需要同时优化的的问题称为动态多目标优化问题。因为动态多目标优化问题具有多个依赖时间(环境)的互相矛盾、单位不一的目标,同时随着时间(环境)的变化,帕雷托最优解也会发生改变,所以对其优化相对比较困难,这就给粒子群算法以及进化算法带来了新的挑战。本文主要有以下几个方面：第一部分主要叙述了优化问题相关概念,数学模型以及解决优化问题的传统进化算法以及基于进化算法的群智能算法,并着重介绍了解决多目标优化问题以及动态多目标优化问题的研究现状,总结了算法中较为常用的提高算法性能的策略。第二部分首先引入了粒子群优化算法,并对粒子群优化算法进行了分析,介绍了几种常用的改进粒子群优化算法的方法。然后重点介绍了基于动态多种群的粒子群优化算法的思想,分析了动态多种群粒子群优化算法的优势,说明了动态多种群粒子群优化算法的有效性。第叁部分首先为了进一步证实动态多种群粒子群算法在解决多目标问题上的算法的有效性,在标准的IEEE30-bus6-genenrator测试系统上进行了关于环境／经济调度的实际应用的仿真验证,进一步证实了动态多种群粒子群优化算法在解决多目标优化问题的有效性。第四部分首先对动态环境的变化模式以及动态多目标问题的变化种类进行数学描述,分析介绍算法的性能评价标准,并使用改进的动态多种群粒子群优化算法在建立的动态多目标的测试平台上进行测试仿真,以验证算法可以对变换的帕雷托前沿进行快速跟踪,并且帕雷托最优解集有较好的分布性。最后对论文进行了全文总结,并阐述了本文的不足,同时对粒子群优化算法的发展及应用进行了展望。
朱静[9]2016年在《基于进化机制的多目标优化问题求解方法研究》文中进行了进一步梳理进化算法是一类模拟生物进化过程中自然选择和自然进化的群体启发式随机搜索算法,较好的通用性使其适用于复杂非线性和较少目标的优化问题。但是随着问题求解的各方面性能要求提高以及问题的复杂性提升,我们需要提出性能更好的多目标优化进化算法。基于以上背景,本文提出用于求解低维多目标优化问题的一种改进的差分进化混合多目标优化算法,另外,在对高维多目标优化问题的研究下,本文提出一种基于相关性选择和差分进化的高维多目标优化进化算法。本文具体工作主要为：1.提出一种用于求解低维多目标优化问题的改进差分进化混合多目标优化算法。算法首先分析了求解多目标优化问题的典范代表NSGA-Ⅱ算法,对算法呈现的搜索精度较差和分布伴随盲区问题进行详细分析,然后采用拉丁超立方体抽样技术产生分布较好的初始种群,利用差分算法中个体之间合作、竞争引导的智能搜索寻优机制,以及其特殊的变异算子对个体进化方向进行干预扰动,使得提出的改进的差分进化混合多目标优化算法兼具全局搜索和局部搜索能力。通过对ZDT1、ZDT3、ZDT4和ZDT6多目标优化函数的测试,实验结果表明所提出的算法比NSDE、NSGA-Ⅱ和MODE算法在收敛性上有较大优势,且所提出算法的多样性呈现也较好。2.提出一种基于相关性选择和差分进化的高维多目标优化进化算法。算法首先给出相关性机制中的参考点和个体相关概念,提出基于相关性的差分进化及多项式变异选择方法,通过参考点的相关个体数目来维持种群多样性,并采用基于相关性的种群更新选择,利用个体的惩罚距离来保证种群的收敛性。通过对3维、8维和15维的DTLZ1、DTLZ2、DTLZ3和DTLZ4优化函数的测试,结果表明所提出的算法在IGD指标上,性能总体优于NSGA-Ⅲ和MOEA/D算法。
权文明[10]2018年在《基于多目标优化的组播路由问题研究》文中研究表明互联网从诞生发展至现在,其用户规模及市场需求正在飞速增长,全球正处于一个信息爆炸的新时代。人们的日常生活中,各类多媒体应用随处可见,大流量、高带宽要求的多媒体业务丰富着人们生活的同时也对网络造成了巨大冲击,组播技术的出现正好满足了这类网络业务的需求。组播路由是实现组播的关键性科学问题,也是目前IP网络及未来网络体系结构中的重要研究课题。组播路由问题中的服务质量参数之间的矛盾性和关联性满足多目标优化问题的特性,本文对基于多目标优化的组播路由问题展开研究,提出了两种改进算法,解决了以平均端到端时延和平均包丢失率作为优化目标的组播路由问题,主要内容如下:1)基于支配关系的多目标进化算法框架,提出了一种基于信息素构图的多目标进化算法。该算法结合了蚁群优化和Jaya两种进化算法的优点,采用了以信息素为指导的构造图策略,加快了算法的收敛;通过以逼近最优解而远离最差解的方式,提出了一种基于Jaya算法的多目标学习策略,引入了Lévy随机扰动算子来增加解的多样性。通过实验仿真对比,该算法有效解决了带宽约束下最小平均时延和丢包率的多目标组播路由问题,且在该问题上表现明显优于NSGA-II算法和ENS-NDT算法。2)基于分解模型的多目标进化算法框架,提出了一种增强邻域搜索与精英反向学习的MOEA/D算法。该算法摒弃了原始MOEA/D算法中的子问题产生新解的策略,采用了一种增强邻域搜索策略,提高了算法的收敛性;将反向学习的思想引入到多目标进化算法中,利用精英个体的反向学习能力提高了解的多样性。通过实验仿真对比,可以看出本文提出的两种算法在解决带宽约束下最小平均时延和丢包率的多目标组播路由问题上较现有的4种多目标进化算法更为优秀,能够为决策者提供更加丰富且质量更优的备选解决方案。3)基于本文提出的两种多目标组播路由算法,设计了一种软件定义多目标组播路由方案,设计并实现了用于实时视频直播的软件定义网络组播服务系统。通过实验仿真可以看出,本文提出的软件定义多目标组播路由策略可以有效解决软件定义网络中的组播路由问题,并提供更加高效的组播服务。
参考文献：
[1]. 单目标、多目标最优化进化算法[D]. 刘海林. 华南理工大学. 2002
[2]. 多目标优化的粒子群算法及其应用研究[D]. 陈绍新. 大连理工大学. 2007
[3]. 进化算法的研究及其设计[D]. 郑哲. 广东工业大学. 2016
[4]. 基于多种混合策略的人工蜂群算法改进研究[D]. 柏静. 山东师范大学. 2016
[5]. 大型仓储系统的调度算法研究[D]. 马永杰. 兰州交通大学. 2010
[6]. 量子衍生多目标进化算法及其应用研究[D]. 李栋. 湖南大学. 2008
[7]. 基于分类设计求解多目标优化问题的进化算法[D]. 李美莲. 西安电子科技大学. 2011
[8]. 基于粒子群优化算法的动态多目标优化算法研究及应用[D]. 张伟星. 郑州大学. 2013
[9]. 基于进化机制的多目标优化问题求解方法研究[D]. 朱静. 西安邮电大学. 2016
[10]. 基于多目标优化的组播路由问题研究[D]. 权文明. 西南交通大学. 2018
标签：自动化技术论文; 进化算法论文; 粒子群优化算法论文; 人工蜂群算法论文; 多目标优化论文; 最优化论文; 优化论文; 优化策略论文; 算法论文;