| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景、目的及意义 | 第9-10页 |
| 1.2 多目标优化的研究概述 | 第10-13页 |
| 1.2.1 国内外研究现状 | 第10-12页 |
| 1.2.2 高维多目标优化的研究现状 | 第12-13页 |
| 1.3 论文的主要研究内容及创新之处 | 第13-14页 |
| 1.3.1 论文的主要研究内容 | 第13-14页 |
| 1.3.2 论文的创新之处 | 第14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 2 高维多目标优化算法简介 | 第16-25页 |
| 2.1 高维多目标优化问题 | 第16-18页 |
| 2.1.1 基本概念 | 第16-17页 |
| 2.1.2 高维多目标优化问题的特征 | 第17-18页 |
| 2.2 高维多目标优化的目标降维算法 | 第18-21页 |
| 2.2.1 基于主要成分分析的目标降维算法 | 第18-19页 |
| 2.2.2 基于最小目标子集的目标降维算法 | 第19-20页 |
| 2.2.3 基于特征选择的目标降维算法 | 第20-21页 |
| 2.2.4 几种目标降维算法的比较分析 | 第21页 |
| 2.3 高维多目标优化的占优机制 | 第21-22页 |
| 2.3.1 结合偏好信息的 Pareto 支配方法 | 第21-22页 |
| 2.3.2 松散 Pareto 支配方法 | 第22页 |
| 2.3.3 非 Pareto 支配方法 | 第22页 |
| 2.4 高维多目标优化算法测试函数 | 第22-24页 |
| 2.4.1 测试函数 | 第22-23页 |
| 2.4.2 测试指标 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 一种基于 PCA 的改进目标降维算法 | 第25-41页 |
| 3.1 引言 | 第25页 |
| 3.2 一种基于 PCA 的改进降维算法 | 第25-32页 |
| 3.2.1 进化算法 NSGA_II | 第25-27页 |
| 3.2.2 NSGA_II 部分初始化种群 | 第27-28页 |
| 3.2.3 拟合形成新的虚拟目标 | 第28-30页 |
| 3.2.4 COPCA-NSGA-II 算法描述 | 第30-32页 |
| 3.3 实验及结果分析 | 第32-40页 |
| 3.3.1 实验参数 | 第32页 |
| 3.3.2 实验结果与分析 | 第32-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 一种基于 PCA 的占优选择机制 | 第41-56页 |
| 4.1 引言 | 第41-42页 |
| 4.2 常用的经典占优机制 | 第42-43页 |
| 4.2.1 进化算法占优机制 | 第42-43页 |
| 4.2.2 α-占优机制 | 第43页 |
| 4.3 一种基于 PCA 的占优选择机制 | 第43-47页 |
| 4.3.1 PCA 分析 | 第43-45页 |
| 4.3.2 差值求解选取非支配解 | 第45-46页 |
| 4.3.3 算法描述 | 第46-47页 |
| 4.3.4 算法分析 | 第47页 |
| 4.4 PCA 占优实验仿真及结果分析 | 第47-53页 |
| 4.4.1 实验参数 | 第47-48页 |
| 4.4.2 实验结果及分析 | 第48-53页 |
| 4.5 PCA 占优方式结合降维算法 | 第53-54页 |
| 4.6 本章小结 | 第54-56页 |
| 5 算法的实际应用 | 第56-63页 |
| 5.1 引言 | 第56页 |
| 5.2 云计算中虚拟机资源分配问题 | 第56-58页 |
| 5.3 问题抽象 | 第58-60页 |
| 5.4 应用优化算法求解问题 | 第60-62页 |
| 5.5 本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-65页 |
| 6.1 论文工作总结 | 第63-64页 |
| 6.2 下一步工作展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录 | 第70页 |
| A. 作者在攻读学位期间发表的论文目录 | 第70页 |
| B. 作者在攻读学位期间取得的科研成果目录 | 第70页 |