智能演化优化

上篇多目标化问题与智能演化化方法

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多目标化问题5

1.2.2多目标演化算法简介6

1.3相关研究工作综述8

1.3.1进化高维多目标化8

1.3.2多目标演化算法中的变化算子11

1.4本章小结12

第2章基础知识13

2.1典型的基于分解的多目标演化算法13

2.1.1问题分解多目标演化算法13

2.1.2集成适应度排序14

2.1.3第三代非支配排序遗传算法14

2.1.4多目标遗传局搜索15

2.2差分进化16

2.3柔性作业车间调度的析取图模型17

2.4标准测试问题19

2.4.1高维多目标化测试问题19

2.4.2柔性作业车间调度测试问题20

2.5性能指标20

2.6本章小结22

第3章在基于聚合的多目标演化算法中平衡收敛性和多样性24

3.1前言24

3.2类似算法简介25

3.3基本思想26

3.4算法详解27

3.4.1增强MOEA/D28

3.4.2增强EFR29

3.4.3可选归一化过程30

3.4.4计算复杂度30

3.4.5讨论31

3.5实验设计32

3.5.1测试问题32

3.5.2性能指标34

3.5.3比较算法34

3.5.4实验设置35

3.6算法的性能分析37

3.6.1参数K的影响38

3.6.2收敛性和多样性的研究40

3.7与先进算法的比较44

3.7.1在归一化问题上的比较44

3.7.2在非归一化问题上的比较53

3.7.3进一步讨论56

3.8本章小结57

目录 智能演化化〖2〗〖2〗 〖1〗 第4章基于新型支配关系的多目标演化算法58

4.1前言58

4.2基于θ支配的演化算法59

4.2.1算法框架59

4.2.2参考点的生成60

4.2.3重组算子61

4.2.4自适应归一化62

4.2.5聚类算子62

4.2.6θ支配64

4.2.7θDEA的计算复杂度65

4.3实验设计65

4.3.1测试问题65

4.3.2性能指标66

4.3.3比较算法67

4.3.4实验设置68

4.4实验结果70

4.4.1与NSGAⅢ和MOEA/D的比较70

4.4.2与先进算法的比较79

4.4.3参数θ的影响92

4.4.4进一步讨论95

4.5本章小结96

第5章基于分解的多目标演化算法中的变化算子97

5.1前言97

5.2目标算法98

5.3实验研究99

5.3.1实验设置99

5.3.2NSGAⅢDE中参数的影响100

5.3.3NSGAⅢDE、NSGAⅢSBX: 探索与开发102

5.3.4NSGAⅢ变体之间的比较104

5.4本章小结109

第6章多目标化中的目标降维: 演化多目标化方法与综合分析110

6.1前言110

6.2基本知识和背景112

6.2.1多目标化112

6.2.2目标降维的基本概念113

6.2.3Pareto前沿的表示和误导114

6.2.4目标降维的现有方法115

6.3多目标化方法117

6.3.1基于支配结构的多目标化公式117

6.3.2基于相关性的多目标化公式118

6.3.3使用多目标演化化算法119

6.3.4采用多目标化方法的好处120

6.4对基于支配结构的方法和基于相关性方法的分析121

6.4.1理论基础121

6.4.2基于支配结构的方法的缺点122

6.4.3基于相关性方法的势和局限性123

6.5基准实验125

6.5.1基准问题125

6.5.2样本集的生成126

6.5.3算法的比较126

6.5.4多目标降维方法行为研究127

6.5.5演化多目标化搜索的有效性130

6.5.6在演化多目标搜索领域中确定关键目标集的比较132

6.6应用于现实问题141

6.6.1应用于水资源问题141

6.6.2应用于汽车侧面碰撞问题142

6.6.3讨论143

6.7方法的势145

6.7.1关于辅助化的目标降维145

6.7.2关于可视化和决策制定147

6.8本章小结148

第7章利用支配预测辅助的高成本多目标演化化150

7.1前言150

7.2背景知识152

7.2.1多目标化152

7.2.2θ支配153

7.2.3深度前馈经网络154

7.3θDEADP算法155

7.3.1概述155

7.3.2Representative解157

7.3.3基于支配预测的代理模型158

7.3.4两段预选策略160

7.3.5讨论161

7.4实验162

7.4.1实验设计162

7.4.2多目标化问题的性能166

7.4.3众多目标化问题的性能171

7.4.4θDEADP组成分的研究177

7.5本章小结180

上篇总结181

下篇柔性作业车间调度问题及其化求解

第8章FJS问题概述185

8.1多目标柔性作业车间调度问题185

8.2多目标柔性作业车间调度的研究现状187

8.3模因演算法189

8.3.1模因演算法简介189

8.3.2求解多目标组合化问题的模因演算法190

8.4本章小结191

第9章基于混合和声搜索的柔性作业车间调度192

9.1前言192

9.2相关工作介绍193

9.2.1柔性车间调度193

9.2.2和声搜索算法（HS算法）194

9.2.3混合和声搜索（HHS）算法和混合TS算法（TSPCB）之间的差异194

9.3HHS算法196

9.3.1算法框架196

9.3.2和声向量的表示196

9.3.3和声向量的评估196

9.3.4初始化和声记忆201

9.3.5新和声向量生成202

9.3.6依赖问题的局搜索203

9.3.7更新和声记忆207

9.4实验207

9.4.1实验设置207

9.4.2计算结果和比较209

9.4.3HHS与其他算法的进一步比较215

9.5讨论218

9.6本章小结219

第10章基于混合差分进化的柔性作业车间调度算法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不同载体的突变222

10.2.3交223

10.2.4选择223

10.3针对FJSP的HDE223

10.3.1HDE概述223

10.3.2表示和初始化225

10.3.3双向量编码225

10.3.4转换技术227

10.3.5局搜索算法229

10.4实验233

10.4.1实验设置233

10.4.2Kacem实例的结果235

10.4.3BRdata实例的结果235

10.4.4BCdata实例的结果235

10.4.5HUdata实例的结果239

10.4.6HDE的进一步性能分析244

10.5本章小结251

第11章大规模柔性作业车间调度问题的集成搜索启发式算法252

11.1前言252

11.2混合和声搜索253

11.2.1HS简介253

11.2.2HHS程序254

11.2.3HHS对FJSP的适配255

11.3大邻域搜索260

11.3.1LNS概述260

11.3.2FJSP的基于约束的模型261

11.3.3约束破坏算法261

11.3.4构造算法262

11.4集成的启发式搜索方法: HHS/LNS262

11.5实验研究263

11.5.1实验设置263

11.5.2HHS模块性能分析263

11.5.3LNS模块性能分析268

11.5.4整合效应269

11.5.5大规模基准实例的计算结果269

11.6本章小结276

第12章求解多目标柔性作业车间调度的模因演算法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染色体编码280

12.3.2染色体解码281

12.3.3遗传作282

12.4局搜索策略283

12.4.1个体选择283

12.4.2针对个体的局搜索284

12.5实验分析289

12.5.1评指标290

12.5.2局搜索中接受准则的实验研究291

12.5.3遗传搜索和局搜索混合的有效性293

12.5.4局搜索中分层策略的有效性297

12.5.5与先进算法的比较299

12.6进一步讨论307

12.7本章小结308

下篇总结309

参考文献310

附录A334

A.1英文缩写对照表334

A.2图片索引338

A.3表格索引342