約束多目標進化算法理論及應用

目 錄
第1章 約束多目標優化問題 001
1.1 約束多目標優化的相關概念 001
1.2 約束多目標優化領域面臨的挑戰 005
1.3 約束多目標優化測試問題 005
第2章 多目標進化優化理論 013
2.1 進化計算 013
2.1.1 進化計算基本思想 013
2.1.2 進化計算數學基礎 015
2.1.3 進化計算通用框架 017
2.1.4 進化計算主要分支 018
2.2 多目標進化算法 021
2.2.1 基於Pareto支配關系的算法 021
2.2.2 基於分解策略的算法 024
2.2.3 基於評價指標的算法 030
2.2.4 其他經典算法 033
2.3 算法性能度量 035
2.3.1 可行性指標 036
2.3.2 收斂性指標 036
2.3.3 多樣性指標 038
2.3.4 收斂性與多樣性綜合指標 039
第3章 約束處理技術 042
3.1 罰函數方法 042
3.1.1 靜態罰函數法 042
3.1.2 動態罰函數法 043
3.1.3 死罰函數法 043
3.1.4 自適應罰函數法 043
3.2 基於目標與約束分離的方法 044
3.2.1 可行性法則 044
3.2.2 隨機排序法 045
3.2.3 ε約束處理法 046
3.3 基於多目標轉化的方法 047
3.4 混合法 049
3.5 問題轉化法 051
3.5.1 兩/多階段機制 051
3.5.2 協同進化機制 052
第4章 面向不規則約束的協同進化多目標優化方法 053
4.1 引言 053
4.2 基於雙種群的協同進化框架 054
4.2.1 協同進化機制 054
4.2.2 懲罰策略 055
4.2.3 收斂性和多樣性平衡策略 058
4.3 基於雙種群的協同進化算法實現 060
4.3.1 c-DPEA算法實現 060
4.3.2 算法復雜度 063
4.4 實驗與分析 063
4.4.1 測試問題和對比算法 063
4.4.2 c-DPEA中雙種群的行為分析 064
4.4.3 協同進化機制的有效性分析 068
4.4.4 saPF策略的有效性分析 070
4.4.5 bCAD適應度函數的有效性分析 073
4.4.6 算法對比研究 077
4.5 案例研究 083
4.6 本章小結 086
第5章 面向極小可行域約束的協同進化多目標優化方法 087
5.1 引言 087
5.2 基於雙階段雙種群的協同進化框架 089
5.2.1 基於雙階段雙種群的協同進化機制 089
5.2.2 探索階段 090
5.2.3 利用階段 093
5.3 基於雙階段雙種群的協同進化算法實現 096
5.3.1 DD-CMOEA算法實現 096
5.3.2 算法復雜度 099
5.4 實驗與分析 100
5.4.1 測試問題和對比算法 100
5.4.2 DD-CMOEA的搜索行為分析 101
5.4.3 算法對比研究 106
5.4.4 參數靈敏度分析 113
5.5 案例研究 114
5.6 本章小結 119
第6章 面向大規模約束的自適應多階段進化多目標優化方法 120
6.1 引言 120
6.2 基於多階段的自適應進化框架 122
6.2.1 約束級聯處理策略 122
6.2.2 約束的優先級排序 124
6.2.3 不同階段的轉換條件 126
6.3 基於多階段的自適應進化算法實現 126
6.3.1 ACCH算法框架 126
6.3.2 ACCH-PPS算法實現 128
6.3.3 算法復雜度 132
6.4 實驗與分析 133
6.4.1 測試問題和對比算法 134
6.4.2 ACCH-PPS的搜索行為分析 135
6.4.3 算法對比研究 139
6.5 案例研究 147
6.6 本章小結 151
結語 153
附錄A 基準測試集描述 154
附錄B c-DPEA與經典算法的對比研究 163
附錄C DD-CMOEA與經典算法的對比研究 172
附錄D ACCH-PPS與經典算法的對比研究 178
參考文獻 184