| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第14-16页 |
| 缩略语对照表 | 第16-21页 |
| 第一章 绪论 | 第21-37页 |
| 1.1 多目标优化问题 | 第21-23页 |
| 1.1.1 数学表述 | 第21页 |
| 1.1.2 基本定义 | 第21-22页 |
| 1.1.3 求解策略 | 第22-23页 |
| 1.2 多目标进化算法 | 第23-26页 |
| 1.2.1 多目标进化算法的发展 | 第23-24页 |
| 1.2.2 当前多目标进化算法的主要分类 | 第24-26页 |
| 1.3 多目标进化分解算法简介 | 第26-31页 |
| 1.3.1 分解方法 | 第26-27页 |
| 1.3.2 初始化 | 第27-29页 |
| 1.3.3 基本框架 | 第29页 |
| 1.3.4 研究进展 | 第29-31页 |
| 1.4 多目标进化算法的测试题及性能评价指标 | 第31-33页 |
| 1.4.1 多目标优化测试问题 | 第31-32页 |
| 1.4.2 多目标进化算法的评价测度 | 第32-33页 |
| 1.5 本论文的贡献及组织结构 | 第33-37页 |
| 第二章 多目标进化分解算法中一种可以平衡收敛性和多样性的替换策略 | 第37-53页 |
| 2.1 引言 | 第37页 |
| 2.2 相关背景 | 第37-40页 |
| 2.2.1 初始化 | 第38页 |
| 2.2.2 重组策略 | 第38-39页 |
| 2.2.3 算法框架 | 第39-40页 |
| 2.3 研究动机及解决方法 | 第40-44页 |
| 2.3.1 问题分析 | 第41页 |
| 2.3.2 全局替换策略 | 第41-44页 |
| 2.4 实验结果与分析 | 第44-51页 |
| 2.4.1 测试问题及评价指标 | 第44页 |
| 2.4.2 参数设置 | 第44-46页 |
| 2.4.3 MOP1-MOP7上的对比结果 | 第46-47页 |
| 2.4.4 ZDT和DTLZ测试题上的对比结果 | 第47页 |
| 2.4.5 F1-F9上的对比结果 | 第47-48页 |
| 2.4.6 替换邻域的大小对算法性能的影响 | 第48-50页 |
| 2.4.7 时间复杂度分析 | 第50-51页 |
| 2.5 结论 | 第51-53页 |
| 第三章 基于分解的多目标进化算法中的自适应替换策略 | 第53-73页 |
| 3.1 引言 | 第53-54页 |
| 3.2 多目标进化分解算法回顾 | 第54-55页 |
| 3.3 自适应全局替换策略 | 第55-59页 |
| 3.3.1 自适应方法 | 第55-56页 |
| 3.3.2 自适应替换策略的多目标进化分解算法 | 第56-57页 |
| 3.3.3 对比三种自适应方法 | 第57-59页 |
| 3.4 实验结果与分析 | 第59-71页 |
| 3.4.1 测试问题及评价指标 | 第59页 |
| 3.4.2 对比算法 | 第59页 |
| 3.4.3 参数设置 | 第59-60页 |
| 3.4.4 ZDT和DTLZ测试题上的对比结果 | 第60-61页 |
| 3.4.5 测试题F1-F9上的对比结果 | 第61-63页 |
| 3.4.6 测试题MOP1-MOP7上的对比结果 | 第63-64页 |
| 3.4.7 全局替换策略和自适应全局替换策略的效果 | 第64-67页 |
| 3.4.8 参数敏感性分析 | 第67页 |
| 3.4.9 超体积指标对比结果 | 第67-68页 |
| 3.4.10 时间复杂度分析 | 第68-71页 |
| 3.5 结论 | 第71-73页 |
| 第四章 多目标进化分解算法中参考点设置在崎岖问题上的研究 | 第73-101页 |
| 4.1 引言 | 第73-74页 |
| 4.2 研究的基础算法 | 第74-78页 |
| 4.2.1 初始化 | 第74页 |
| 4.2.2 重组策略 | 第74-76页 |
| 4.2.3 替换策略 | 第76-78页 |
| 4.3 具有崎岖特性的连续多目标优化测试题 | 第78-83页 |
| 4.3.1 当前主要连续多目标优化测试题的构造方法 | 第78-80页 |
| 4.3.2 具有崎岖特性的连续多目标优化测试题 | 第80-83页 |
| 4.4 参考点的设置 | 第83-86页 |
| 4.4.1 四种常用的参考点 | 第84-85页 |
| 4.4.2 动态乌托邦点 | 第85-86页 |
| 4.5 实验研究 | 第86-98页 |
| 4.5.1 对比算法、参数设置及评价指标 | 第86-87页 |
| 4.5.2 五个不同参考点版本的MOEA/D的实验结果 | 第87-90页 |
| 4.5.3 其他经典MOEAs的实验结果 | 第90-94页 |
| 4.5.4 综合比较 | 第94-97页 |
| 4.5.5 动态乌托邦点的效用分析 | 第97-98页 |
| 4.6 关于测试题和参考点的讨论 | 第98-99页 |
| 4.6.1 测试题 | 第98-99页 |
| 4.6.2 参考点和计算资源分配 | 第99页 |
| 4.7 结论 | 第99-101页 |
| 第五章 使用双参考点的多目标进化分解算法 | 第101-123页 |
| 5.1 引言 | 第101-102页 |
| 5.2 研究动机 | 第102-105页 |
| 5.3 使用多参考点的多目标进化分解算法 | 第105-109页 |
| 5.3.1 初始化 | 第106页 |
| 5.3.2 重组策略 | 第106页 |
| 5.3.3 全局替换策略 | 第106-108页 |
| 5.3.4 外部种群 | 第108-109页 |
| 5.4 实验研究 | 第109-120页 |
| 5.4.1 实验设置 | 第109-111页 |
| 5.4.2 对比实验结果 | 第111-116页 |
| 5.4.3 多参考带和单参考点对比 | 第116-119页 |
| 5.4.4 外部种群的作用 | 第119-120页 |
| 5.4.5 MOEA/D-MR与基于PBI分解的MOEA/D-MR的对比结果 | 第120页 |
| 5.5 结论 | 第120-123页 |
| 第六章 使用两组杂交算子的多目标进化分解算法 | 第123-135页 |
| 6.1 引言 | 第123页 |
| 6.2 多目标进化分解算法中对多样性和收敛性的平衡 | 第123-126页 |
| 6.2.1 替换策略 | 第123-124页 |
| 6.2.2 重组策略 | 第124-126页 |
| 6.3 邻域学习差分重组策略的多目标进化分解算法 | 第126-127页 |
| 6.4 对比邻域学习差分重组策略和单纯差分重组策略的收敛能力 | 第127-130页 |
| 6.5 实验研究 | 第130-133页 |
| 6.5.1 测试问题、评价指标及参数设置 | 第131页 |
| 6.5.2 性能比较 | 第131-133页 |
| 6.6 结论 | 第133-135页 |
| 第七章 总结与展望 | 第135-139页 |
| 7.1 论文工作总结 | 第135-136页 |
| 7.2 未来研究展望 | 第136-139页 |
| 参考文献 | 第139-155页 |
| 致谢 | 第155-157页 |
| 作者简介 | 第157-159页 |
