多目標(biāo)優(yōu)化Pareto支配性預(yù)測方法研究.pdf

1、進化算法已成功地應(yīng)用于多目標(biāo)優(yōu)化領(lǐng)域，但用該類算法解決昂貴多目標(biāo)優(yōu)化問題時，僅一次目標(biāo)函數(shù)或約束函數(shù)的評估就需耗時數(shù)小時甚至數(shù)天（簡稱為計算成本災(zāi)難問題），所需計算開銷和時間效率均難以接受。盡管采用基于代理模型的多目標(biāo)進化算法能在一定程度上緩解計算成本災(zāi)難問題，但代理模型及逼近技術(shù)的選擇需要較多先驗知識，且每個目標(biāo)函數(shù)都需要單獨的模型，模型類型和參數(shù)精度會直接影響估計的準(zhǔn)確性，建模對多目標(biāo)優(yōu)化問題（MOP）本身是一種挑戰(zhàn)，代價高昂。

2、r>　　本文研究應(yīng)用模式識別技術(shù)解決計算成本災(zāi)難問題的Pareto支配性分類方法。提出了預(yù)測Pareto支配性的模式分類器基本架構(gòu)，分類器通過學(xué)習(xí)樣本候選解的Pareto支配性關(guān)系，預(yù)測目標(biāo)向量值未知候選解的Pareto支配性。首先在假設(shè)類條件概率密度函數(shù)服從正態(tài)分布的前提下，初步實現(xiàn)了基于統(tǒng)計學(xué)習(xí)理論的貝葉斯分類器，為進一步探究Pareto支配性預(yù)測奠定了基礎(chǔ)。
　　為提高Pareto支配性預(yù)測準(zhǔn)確性，通過分析MOP自身特點，對

3、決策分量定義域存在數(shù)量級差異的優(yōu)化問題，相繼提出了基于二進制位串加權(quán)和及同維分量距離序號和相似性測度方法。仿真實驗表明，與基于歐氏距離的相似性測度方法相比，二者均顯著地提高了最近鄰分類的精度，且對不同類型的多目標(biāo)優(yōu)化問題有較強的魯棒性；對決策向量中存在等價分量的優(yōu)化問題，在分析決策分量對各目標(biāo)分量貢獻率的基礎(chǔ)上定義決策向量的等價子向量，等價子向量由貢獻率相同的決策分量所組成，提出基于等價子向量的最小交叉距離加權(quán)和相似性測度方法。對典型多