| 摘要 | 第8-10页 |
| Abstract | 第10-12页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 演化多目标优化算法研究现状 | 第16-17页 |
| 1.2.2 GPU高性能计算的研究现状 | 第17-18页 |
| 1.3 主要研究内容 | 第18-19页 |
| 1.4 本文的组织结构 | 第19-21页 |
| 第二章 传统高维多目标演化优化算法与可编程图形处理器 | 第21-32页 |
| 2.1 传统高维多目标演化优化算法 | 第21-27页 |
| 2.1.1 混合NSGA-Ⅱ算法 | 第21-23页 |
| 2.1.2 多目标粒子群优化算法 | 第23-25页 |
| 2.1.3 粒子动力学多目标演化优化算法 | 第25-27页 |
| 2.2 可编程图形处理器GPU | 第27-31页 |
| 2.2.1 CPU与GPU结构比较 | 第27-28页 |
| 2.2.2 基于GPU的通用计算 | 第28-29页 |
| 2.2.3 CUDA编程模型 | 第29-30页 |
| 2.2.4 CUDA存储器模型 | 第30-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 改进的高维多目标动力学演化优化算法 | 第32-90页 |
| 3.1 传统多目标动力学演化优化算法的不足分析 | 第32页 |
| 3.2 高维多目标演化优化算法的性能度量 | 第32-38页 |
| 3.2.1 高维多目标演化优化算法测试函数 | 第32-36页 |
| 3.2.2 高维多目标演化优化算法性能评价指标 | 第36-37页 |
| 3.2.3 近似Pareto前沿的可视化 | 第37-38页 |
| 3.3 高维多目标自适应网格E占优动力学演化算法 | 第38-58页 |
| 3.3.1 新型占优机制研究 | 第38-39页 |
| 3.3.2 E-占优机制 | 第39-40页 |
| 3.3.3 自适应网格技术 | 第40-42页 |
| 3.3.4 高维多目标自适应网格E占优动力学演化算法 | 第42-44页 |
| 3.3.5 实验结果 | 第44-55页 |
| 3.3.6 近似Pareto前沿的可视化 | 第55-58页 |
| 3.4 高维多目标动力学差分演化算法 | 第58-74页 |
| 3.4.1 差分演化变异算子 | 第58-59页 |
| 3.4.2 高维多目标动力学差分演化算法 | 第59-61页 |
| 3.4.3 实验结果 | 第61-70页 |
| 3.4.4 近似Pareto前沿的可视化 | 第70-74页 |
| 3.5 高维多目标类锦标赛选择动力学演化算法 | 第74-89页 |
| 3.5.1 基于类锦标赛选择的高维多目标动力学演化算法 | 第74-76页 |
| 3.5.2 实验结果 | 第76-85页 |
| 3.5.3 近似Pareto前沿的可视化 | 第85-89页 |
| 3.6 本章小结 | 第89-90页 |
| 第四章 改进的高维多目标动力学演化算法在GPU上的并行实现 | 第90-118页 |
| 4.1 引言 | 第90页 |
| 4.2 基于GPU的高维多目标自适应网格E占优动力学演化算法 | 第90-104页 |
| 4.2.1 数据的存储 | 第90-92页 |
| 4.2.2 算法描述 | 第92-95页 |
| 4.2.3 数值实验 | 第95-104页 |
| 4.3 基于GPU的高维多目标动力学差分演化算法 | 第104-111页 |
| 4.3.1 数据的存储 | 第104页 |
| 4.3.2 算法描述 | 第104-106页 |
| 4.3.3 数值实验 | 第106-111页 |
| 4.4 基于GPU的高维多目标类锦标赛选择动力学演化算法 | 第111-117页 |
| 4.4.1 算法描述 | 第111-112页 |
| 4.4.2 数值实验 | 第112-117页 |
| 4.5 本章小结 | 第117-118页 |
| 第五章 总结与展望 | 第118-120页 |
| 5.1 主要研究成果及创新 | 第118-119页 |
| 5.2 研究工作展望 | 第119-120页 |
| 参考文献 | 第120-127页 |
| 作者在攻读博士学位期间发表的有关学术论文 | 第127-128页 |
| 致谢 | 第128页 |
