期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
针对目标的布局启发式算法 被引量:5
1
作者 王金敏 简其和 喻宏波 《天津大学学报(自然科学与工程技术版)》 EI CAS CSCD 北大核心 2005年第6期499-502,共4页
为解决二维矩形布局问题,在广泛研究各种启发式方法的基础上,提出了基于目标的启发式算法.该算法在布局开始时确定布局目标,布局过程中综合运用多种策略,让每个局部最优解达到布局目标值,得到稳定的、可靠的全局解;并且简要分析了矩形... 为解决二维矩形布局问题,在广泛研究各种启发式方法的基础上,提出了基于目标的启发式算法.该算法在布局开始时确定布局目标,布局过程中综合运用多种策略,让每个局部最优解达到布局目标值,得到稳定的、可靠的全局解;并且简要分析了矩形正交布局的空间分解方法,提出了群组的基本策略以及布局的定序规则和定位规则.实验结果表明,算法具有较强实用性,布局效率提高200以上. 展开更多
关键词 布局问题 布局目标 启发式方法 局部寻优 群组 空间分解
下载PDF
基于目标空间分区的稳态高维多目标进化算法 被引量:2
2
作者 李飞 刘建昌 +1 位作者 朱佳妮 李晨曦 《东北大学学报(自然科学版)》 EI CAS CSCD 北大核心 2018年第3期305-310,共6页
针对高维多目标优化中Pareto非劣候选解所占比例很大,常用的先考虑收敛性再考虑分布性的多目标进化算法面临选择压力衰减的问题,提出一种先考虑分布性再考虑收敛性的高维多目标进化算法——基于目标空间分区的稳态高维多目标进化算法(SS... 针对高维多目标优化中Pareto非劣候选解所占比例很大,常用的先考虑收敛性再考虑分布性的多目标进化算法面临选择压力衰减的问题,提出一种先考虑分布性再考虑收敛性的高维多目标进化算法——基于目标空间分区的稳态高维多目标进化算法(SS-OSP).该算法先采用目标空间分区策略将种群按照权重向量分为多个子空间,在每个子空间中按照分解方法中的聚合函数选择个体;然后,考虑到常规的PBI聚合函数的罚参数在进化过程中一直保持不变的情况,提出一种自适应PBI聚合函数;最后,仿真实验结果表明所提出的算法与其他三种算法相比,具有更好的收敛性和分布性. 展开更多
关键词 高维多目标优化问题 稳态进化算法 目标空间分区 自适应PBI聚合函数 分解策略
下载PDF
一种解多目标优化问题的基于分解的人工蜂群算法 被引量:2
3
作者 万鹏飞 高兴宝 《山东大学学报(理学版)》 CAS CSCD 北大核心 2018年第11期56-66,77,共12页
在处理多目标优化问题时,如何平衡所得解集的分布性与收敛性是一个困难又重要的工作。为此,提出了解决该问题的一种基于目标空间分解的人工蜂群算法(MOABC/D)。首先采用一组方向向量将目标空间分解成一系列的子区域,并在每一个子区域至... 在处理多目标优化问题时,如何平衡所得解集的分布性与收敛性是一个困难又重要的工作。为此,提出了解决该问题的一种基于目标空间分解的人工蜂群算法(MOABC/D)。首先采用一组方向向量将目标空间分解成一系列的子区域,并在每一个子区域至少保留一个解来保持解的分布性,其次提出一个基于分解的选择策略和2个基于信息交换的搜索策略来提高人工蜂群算法的搜索能力,并采用一个基于高斯分布的搜索策略来增强人工蜂群算法的搜索效率。为验证所提算法的性能,与8种同类算法在10个测试问题上进行比较。结果表明,本文所提算法得到的解集具有更好的收敛性能和分布性能。 展开更多
关键词 多目标优化问题 目标空间分解 人工蜂群算法 搜索策略
原文传递
基于目标空间分解的自适应多目标进化算法 被引量:1
4
作者 郑金华 张作峰 邹娟 《高技术通讯》 CAS CSCD 北大核心 2013年第7期671-678,共8页
针对基于分解的多目标进化算法(MOEA/D)个体与子问题的匹配问题,在分析MOEA/D的进化规律的基础上,提出了一种基于目标空间分解的自适应多目标进化算法(MOEA/OSD)。该算法采用以测试问题的参考点为起点的均匀权重向量分解目标空间,根据... 针对基于分解的多目标进化算法(MOEA/D)个体与子问题的匹配问题,在分析MOEA/D的进化规律的基础上,提出了一种基于目标空间分解的自适应多目标进化算法(MOEA/OSD)。该算法采用以测试问题的参考点为起点的均匀权重向量分解目标空间,根据个体信息动态选择适合的子问题,并使用辅助向量的方法弥补分解方法的不足。对比实验结果表明,MOEA/OSD拥有较好的收敛性和分布性,采用不同的分解方法均能搜索到最优解,且具有较好的收敛速度。 展开更多
关键词 多目标优化 目标空间分解 子问题 自适应 适合的子问题
下载PDF
A discussion of objective function representation methods in global optimization
5
作者 Panos M.PARDALOS Mahdi FATHI 《Frontiers of Engineering Management》 2018年第4期515-523,共9页
Non-convex optimization can be found in several smart manufacturing systems. This paper presents a short review on global optimization(GO) methods. We examine decomposition techniques and classify GO problems on the b... Non-convex optimization can be found in several smart manufacturing systems. This paper presents a short review on global optimization(GO) methods. We examine decomposition techniques and classify GO problems on the basis of objective function representation and decomposition techniques. We then explain Kolmogorov's superposition and its application in GO. Finally,we conclude the paper by exploring the importance of objective function representation in integrated artificial intelligence, optimization, and decision support systems in smart manufacturing and Industry 4.0. 展开更多
关键词 global optimization decomposition techniques MULTI-objective DC PROGRAMMING Kolmogorov’s SUPERPOSITION space-filling CURVE smart manufacturing and Industry 4.0
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部