| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 引言 | 第15-17页 |
| 1.2 进化多目标算法的发展和研究现状 | 第17-19页 |
| 1.3 基于分解的EMO算法研究现状 | 第19-21页 |
| 1.4 主要研究内容 | 第21-22页 |
| 1.5 本文结构安排 | 第22-23页 |
| 第二章 基于分解的进化多目标优化算法框架 | 第23-29页 |
| 2.1 多目标优化问题描述 | 第23-24页 |
| 2.1.1 多目标优化问题的数学模型 | 第23页 |
| 2.1.2 Pareto支配与Pareto最优解 | 第23页 |
| 2.1.3 Pareto最优解集与Pareto最优前沿 | 第23-24页 |
| 2.2 MOEA/D算法框架 | 第24-27页 |
| 2.2.1 MOEA/D算法简介 | 第24-25页 |
| 2.2.2 常用分解方法 | 第25-27页 |
| 2.3 进化多目标优化算法性能指标 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 改进的鲁棒IPBI分解方法 | 第29-47页 |
| 3.1 IPBI分解方法分析 | 第29-31页 |
| 3.1.1 IPBI和PBI分解方法对比 | 第29-30页 |
| 3.1.2 IPBI分解方法的不足 | 第30-31页 |
| 3.2 提升IPBI分解方法的鲁棒性 | 第31-34页 |
| 3.2.1 自适应参考点设置策略 | 第31-32页 |
| 3.2.2 自适应子问题替换策略 | 第32-33页 |
| 3.2.3 R-IPBI算法 | 第33-34页 |
| 3.3 测试问题实验研究 | 第34-42页 |
| 3.3.1 测试问题 | 第34-35页 |
| 3.3.2 实验参数设置 | 第35页 |
| 3.3.3 R-IPBI算法的有效性 | 第35-37页 |
| 3.3.4 R-IPBI算法的鲁棒性 | 第37-41页 |
| 3.3.5 算法参数敏感性分析 | 第41-42页 |
| 3.4 水库防洪调度问题的实验研究 | 第42-45页 |
| 3.4.1 水库防洪调度模型 | 第42-43页 |
| 3.4.2 实验参数设置 | 第43-44页 |
| 3.4.3 R-IPBI算法优越性分析 | 第44-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第四章 基于决策者偏好信息的分解方法 | 第47-65页 |
| 4.1 基于偏好点的分解方法 | 第47-51页 |
| 4.1.1 现存偏好算法分析 | 第47-48页 |
| 4.1.2 基于偏好点的偏好模型 | 第48-49页 |
| 4.1.3 基于偏好点的分解方法 | 第49-51页 |
| 4.2 R-MOEA/D:基于偏好点分解方法的进化多目标优化算法 | 第51-52页 |
| 4.3 测试问题实验研究 | 第52-56页 |
| 4.3.1 测试问题 | 第52-53页 |
| 4.3.2 实验参数设置 | 第53-54页 |
| 4.3.3 R-MOEA/D算法搜索行为分析 | 第54-56页 |
| 4.4 与R-NSGA-II和R-MEAD2的比较 | 第56-61页 |
| 4.4.1 在MOPs上的对比研究 | 第56-58页 |
| 4.4.2 在Ma OPs上的对比研究 | 第58-61页 |
| 4.4.3 R-MOEA/D的交互能力 | 第61页 |
| 4.5 水库防洪调度问题的实验研究 | 第61-63页 |
| 4.5.1 实验参数设置 | 第61-62页 |
| 4.5.2 与R-NSGA-II和R-MEAD2的比较 | 第62-63页 |
| 4.6 本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65-66页 |
| 5.2 展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-75页 |
| 作者简介 | 第75-77页 |
