| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 目录 | 第9-13页 |
| 缩略词 | 第13-15页 |
| 1 绪论 | 第15-31页 |
| 1.1 研究的目的与意义 | 第15-16页 |
| 1.2 多目标优化问题中的基本概念 | 第16-18页 |
| 1.3 多目标优化进化算法的研究现状 | 第18-29页 |
| 1.3.1 适应度评价 | 第19-21页 |
| 1.3.2 多样性维护 | 第21-23页 |
| 1.3.3 精英保留机制 | 第23-25页 |
| 1.3.4 偏好信息的引入 | 第25-26页 |
| 1.3.5 性能测度 | 第26-27页 |
| 1.3.6 标准测试问题 | 第27-28页 |
| 1.3.7 理论研究 | 第28页 |
| 1.3.8 应用 | 第28-29页 |
| 1.4 目前研究中存在的主要问题 | 第29页 |
| 1.5 本文的主要内容和安排 | 第29-31页 |
| 2 进化算法(EA) | 第31-42页 |
| 2.1 EA的分类 | 第31-32页 |
| 2.2 遗传算法(GA) | 第32-40页 |
| 2.2.1 GA的基本流程 | 第32-33页 |
| 2.2.2 GA的实现方式 | 第33-38页 |
| 2.2.3 GA的特点 | 第38页 |
| 2.2.4 GA的理论基础 | 第38-40页 |
| 2.3 多目标优化进化算法的基本步骤 | 第40-41页 |
| 2.4 本章小结 | 第41-42页 |
| 3 多目标优化进化算法中基于偏好信息的适应度评价和选择策略 | 第42-68页 |
| 3.1 引言 | 第42-43页 |
| 3.2 Pareto支配概念的局限性 | 第43-44页 |
| 3.3 一种新型的基于模糊逻辑的“强度优于”关系 | 第44-54页 |
| 3.3.1 偏好信息的量化 | 第44-48页 |
| 3.3.2 基于模糊逻辑的“强度优于”关系 | 第48-54页 |
| 3.4 一种基于模糊逻辑引入偏好信息的多目标优化进化算法 | 第54-57页 |
| 3.4.1 适应度评价 | 第54-55页 |
| 3.4.2 算法的实现步骤 | 第55页 |
| 3.4.3 算法的计算复杂度 | 第55-57页 |
| 3.5 仿真研究 | 第57-67页 |
| 3.5.1 基于进化算法求解多目标优化问题的基本步骤 | 第57-58页 |
| 3.5.2 优化问题描述 | 第58-59页 |
| 3.5.3 参数的选取 | 第59页 |
| 3.5.4 交互界面的实现 | 第59-61页 |
| 3.5.5 仿真结果 | 第61-67页 |
| 3.6 本章小结 | 第67-68页 |
| 4 多目标优化进化算法中的群体多样性保留策略 | 第68-83页 |
| 4.1 引言 | 第68-69页 |
| 4.2 一种新型的基于信息熵的群体多样性测度 | 第69-71页 |
| 4.2.1 信息熵 | 第69-70页 |
| 4.2.2 基于信息熵的群体多样性测度 | 第70-71页 |
| 4.3 群体多样性的维护策略 | 第71-75页 |
| 4.3.1 外部存储器的使用 | 第71-72页 |
| 4.3.2 对精英个体的控制 | 第72-75页 |
| 4.3.3 “探索”和“利用”之间的模式转换 | 第75页 |
| 4.3.4 群体多样性维护策略小结 | 第75页 |
| 4.4 一种保持群体多样性的多目标优化进化算法 | 第75-78页 |
| 4.4.1 算法的实现步骤 | 第75-76页 |
| 4.4.2 算法的计算复杂度 | 第76-78页 |
| 4.5 仿真研究 | 第78-82页 |
| 4.5.1 优化问题描述 | 第78-79页 |
| 4.5.2 性能测度 | 第79-80页 |
| 4.5.3 参数的选取 | 第80页 |
| 4.5.4 仿真结果 | 第80-82页 |
| 4.6 本章小结 | 第82-83页 |
| 5 多目标优化进化算法中的协同进化机制 | 第83-106页 |
| 5.1 引言 | 第83-84页 |
| 5.2 一种新型的多目标优化合作型协同进化算法 | 第84-94页 |
| 5.2.1 已有的子群体间合作方式 | 第84-85页 |
| 5.2.2 一种新型的子群体间合作方式 | 第85-86页 |
| 5.2.3 算法的实现步骤 | 第86-87页 |
| 5.2.4 算法的计算复杂度 | 第87-89页 |
| 5.2.5 仿真研究 | 第89-94页 |
| 5.3 一种子群体个数动态变化的多目标优化合作型协同进化算法 | 第94-105页 |
| 5.3.1 多目标条件下群体的停止判别准则 | 第95-96页 |
| 5.3.2 精英保留机制 | 第96页 |
| 5.3.3 新增子群体的条件 | 第96-97页 |
| 5.3.4 灭绝子群体的条件 | 第97页 |
| 5.3.5 算法的终止准则 | 第97页 |
| 5.3.6 算法的实现步骤 | 第97-98页 |
| 5.3.7 算法的计算复杂度 | 第98-100页 |
| 5.3.8 仿真研究 | 第100-105页 |
| 5.4 本章小结 | 第105-106页 |
| 6 多目标优化进化算法的应用研究 | 第106-129页 |
| 6.1 引言 | 第106页 |
| 6.2 基于多目标优化进化算法的机械手运动学逆解算法 | 第106-113页 |
| 6.2.1 机械手运动学逆解问题的多目标优化模型 | 第107-108页 |
| 6.2.2 基于多目标优化进化算法求解机械手运动学逆解问题 | 第108-110页 |
| 6.2.3 仿真研究 | 第110-113页 |
| 6.3 多目标优化进化算法在单机器人路径规划问题中的应用 | 第113-121页 |
| 6.3.1 单机器人路径规划问题的多目标优化模型 | 第114页 |
| 6.3.2 用于单机器人路径规划的多目标优化进化算法 | 第114-118页 |
| 6.3.3 仿真研究 | 第118-121页 |
| 6.4 基于多目标优化合作型协同进化算法的多机器人路径规划 | 第121-127页 |
| 6.4.1 多机器人路径规划问题的多目标优化模型 | 第122页 |
| 6.4.2 求解多机器人路径规划问题的多目标优化合作型协同进化算法 | 第122-125页 |
| 6.4.3 仿真研究 | 第125-127页 |
| 6.5 本章小结 | 第127-129页 |
| 7 回顾与展望 | 第129-132页 |
| 7.1 本文的主要工作 | 第129-130页 |
| 7.2 主要创新点 | 第130-131页 |
| 7.3 研究展望 | 第131-132页 |
| 致谢 | 第132-133页 |
| 作者在攻读博士期间完成的论文 | 第133-135页 |
| 参考文献 | 第135-145页 |
