| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 多目标优化问题模型 | 第12-14页 |
| 1.3 研究现状 | 第14-16页 |
| 1.3.1 基于分解的多目标优化算法 | 第14-16页 |
| 1.3.2 粒子群优化算法 | 第16页 |
| 1.4 本文的主要工作及其结构 | 第16-19页 |
| 第2章 基于群体智能的超多目标优化算法 | 第19-28页 |
| 2.1 基于分解的多目标优化算法简介 | 第19页 |
| 2.2 基于分解的多目标优化算法 | 第19-23页 |
| 2.2.1 基于分解的多目标优化算法 | 第19-20页 |
| 2.2.2 权重向量生成方式 | 第20页 |
| 2.2.3 分解方式 | 第20-23页 |
| 2.2.3.1 Weighted sum分解方式 | 第20-22页 |
| 2.2.3.2 Tchebycheff分解方式 | 第22页 |
| 2.2.3.3 PBI分解方式 | 第22-23页 |
| 2.2.4 基于分解的多目标优化算法框架 | 第23页 |
| 2.3 基于分解的多目标优化算法小结 | 第23-24页 |
| 2.4 粒子群优化算法简介 | 第24-25页 |
| 2.5 粒子群算法简介和原理 | 第25-27页 |
| 2.5.1 粒子群优化算法简介 | 第25页 |
| 2.5.2 粒子群优化算法原理 | 第25-26页 |
| 2.5.3 粒子群优化算法框架 | 第26-27页 |
| 2.6 粒子群优化算法小结 | 第27-28页 |
| 第3章 基于分解的多目标优化算法在多目标优化问题的应用 | 第28-42页 |
| 3.1 引言 | 第28页 |
| 3.2 基于分解的自适应算子选择算法(AMOEA/D) | 第28-32页 |
| 3.2.1 AMOEA/D的DE突变策略 | 第28-29页 |
| 3.2.2 MOEA/D中的动态资源分配 | 第29页 |
| 3.2.3 自适应策略选择 | 第29-30页 |
| 3.2.4 自适应选择参数 | 第30-31页 |
| 3.2.5 AMOEA/D的主要结构框架 | 第31-32页 |
| 3.3 实验结果 | 第32-41页 |
| 3.3.1 基准函数 | 第32页 |
| 3.3.2 性能指标 | 第32-34页 |
| 3.3.3 实验参数设置 | 第34页 |
| 3.3.4 AMOEA/D与最新进化算法比较 | 第34-37页 |
| 3.3.5 自适应选择算子的优势 | 第37页 |
| 3.3.6 自适应控制参数的优势 | 第37-39页 |
| 3.3.7 AMOEA/D算法的近似端面 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 粒子群算法在超多目标优化问题的应用 | 第42-68页 |
| 4.1 引言 | 第42-43页 |
| 4.2 新颖的超多目标粒子群算法(NMPSO) | 第43-49页 |
| 4.2.1 新的适应度分配方法 | 第43-47页 |
| 4.2.2 存档进化 | 第47页 |
| 4.2.3 存档更新 | 第47-48页 |
| 4.2.4 速度更新 | 第48-49页 |
| 4.2.5 NMPSO的主要框架 | 第49页 |
| 4.3 实验结果 | 第49-67页 |
| 4.3.1 测试问题和性能指标 | 第50页 |
| 4.3.2 实验参数设置 | 第50-52页 |
| 4.3.3 NMPSO与超多目标算法进行比较 | 第52-58页 |
| 4.3.4 NMPSO与其他多目标粒子群算法比较 | 第58-59页 |
| 4.3.5 新的拥挤距离分配机制的有效性检测 | 第59-64页 |
| 4.3.5.1 在NSGAII中加入新的适应度分配方式 | 第59-60页 |
| 4.3.5.2 在NNIA中加入新的适应度分配方式 | 第60-62页 |
| 4.3.5.3 在SMPSO中加入新的适应度分配方式 | 第62-63页 |
| 4.3.5.4 NSGAII~(BFE)，NNIA~(BFE)和NMPSO~(BFE)的性能比较 | 第63-64页 |
| 4.3.6 参数敏感性分析 | 第64-67页 |
| 4.4 本章小结 | 第67-68页 |
| 第5章 总结 | 第68-69页 |
| 参考文献 | 第69-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士学位期间的研究成果 | 第77页 |
