| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| 1 绪论 | 第10-19页 |
| 1.1 论文研究背景与意义 | 第10-11页 |
| 1.2 多目标优化基本概念 | 第11-12页 |
| 1.3 多目标优化研究现状 | 第12-18页 |
| 1.3.1 多目标优化算法 | 第12-15页 |
| 1.3.2 昂贵多目标优化 | 第15-17页 |
| 1.3.3 Pareto支配性模式识别 | 第17-18页 |
| 1.4 本文主要研究内容 | 第18-19页 |
| 2 Pareto支配性分类预测 | 第19-27页 |
| 2.1 贝叶斯分类器 | 第19页 |
| 2.2 最近邻分类预测方法 | 第19-20页 |
| 2.3 最近邻方法Pareto支配性的预测框架 | 第20-21页 |
| 2.4 相似性测度 | 第21-26页 |
| 2.4.1 二进制位串加权和相似性测度 | 第21-22页 |
| 2.4.2 分量序列号和相似性测度 | 第22-23页 |
| 2.4.3 等价子向量交叉相似性测度方法 | 第23-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 基于广义回归神经网络的Pareto支最近邻预测方法 | 第27-37页 |
| 3.1 研究分析 | 第27-28页 |
| 3.2 广义回归神经网络(GRNN)的结构与算法 | 第28-29页 |
| 3.2.1 GRNN结构 | 第28页 |
| 3.2.2 GRNN算法 | 第28-29页 |
| 3.3 GRNN目标差值向量预测 | 第29-30页 |
| 3.4 基于预测目标差值向量的相似性测度 | 第30页 |
| 3.5 实验结果 | 第30-36页 |
| 3.6 本章小结 | 第36-37页 |
| 4 多目标优化D-Pareto支配性最近邻分类方法预测 | 第37-48页 |
| 4.1 D-Pareto支配性分类预测框架 | 第37-38页 |
| 4.2 预测错误率分析 | 第38-40页 |
| 4.3 预测多目标优化D-Pareto支配性测试实验 | 第40-43页 |
| 4.4 多目标优化的D-Pareto支配性预测模型与MOEAs交互测试 | 第43-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 改进的多目标进化算法 | 第48-59页 |
| 5.1 算法设计 | 第48-54页 |
| 5.1.1 算法思想 | 第49-50页 |
| 5.1.2 距离与方向计算算法 | 第50页 |
| 5.1.3 交叉个体选择方法 | 第50-52页 |
| 5.1.4 子代进化种群选择方法 | 第52-54页 |
| 5.2 算法仿真 | 第54-58页 |
| 5.3 本章小结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 附录 | 第67-68页 |
| 致谢 | 第68页 |
