基于CUDA的并行多目标进化算法及其在化工过程中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 多目标优化问题及其基本概念 | 第10-13页 |
| 1.3 多目标进化算法的研究现状 | 第13-14页 |
| 1.4 图形处理器(GPU)和CUDA | 第14-16页 |
| 1.5 全文主要内容和安排 | 第16-18页 |
| 第2章 多目标进化算法 | 第18-24页 |
| 2.1 引言 | 第18页 |
| 2.2 MOEA的基本框架 | 第18-19页 |
| 2.3 MOEA的分类 | 第19-20页 |
| 2.3.1 聚集函数 | 第19页 |
| 2.3.2 基于群体的方法 | 第19-20页 |
| 2.3.3 基于Pareto的方法 | 第20页 |
| 2.4 多目标进化算法的研究方向 | 第20-21页 |
| 2.5 算法性能评价方法与测试函数 | 第21-23页 |
| 2.5.1 算法性能评价方法 | 第21页 |
| 2.5.2 测试函数集 | 第21-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第3章 基于CUDA的并行多目标进化算法 | 第24-44页 |
| 3.1 引言 | 第24页 |
| 3.2 多目标进化算法耗时分析 | 第24-25页 |
| 3.3 基于CUDA的并行多目标进化算法 | 第25-29页 |
| 3.3.1 数据结构 | 第25-26页 |
| 3.3.2 适应度评价 | 第26页 |
| 3.3.3 父代选择 | 第26-27页 |
| 3.3.4 交叉与变异 | 第27-28页 |
| 3.3.5 非支配集的构造 | 第28-29页 |
| 3.3.6 解群体多样性 | 第29页 |
| 3.4 并行多目标进化群体的分布性 | 第29-34页 |
| 3.4.1 基于共享机制的小生境技术的并行实现 | 第30-32页 |
| 3.4.2 基于密度熵的分布保持策略的并行实现 | 第32-34页 |
| 3.5 算法的时间复杂度分析 | 第34页 |
| 3.6 算法实现步骤与流程 | 第34-36页 |
| 3.7 实验测试与结果 | 第36-43页 |
| 3.7.1 种群规模的重要性 | 第37-40页 |
| 3.7.2 并行算法的效率提升 | 第40-43页 |
| 3.8 本章小结 | 第43-44页 |
| 第4章 并行多目标进化算法在化工过程优化中的应用 | 第44-56页 |
| 4.1 引言 | 第44页 |
| 4.2 油品调和过程的操作优化 | 第44-51页 |
| 4.2.1 汽油调和工艺流程 | 第44-46页 |
| 4.2.2 汽油调和技术指标 | 第46-47页 |
| 4.2.3 汽油调和优化模型 | 第47-50页 |
| 4.2.4 算法实现 | 第50页 |
| 4.2.5 实验仿真设置及结果分析 | 第50-51页 |
| 4.3 补料分批生化反应过程动态优化 | 第51-55页 |
| 4.3.1 补料分批生化反应模型 | 第52-53页 |
| 4.3.2 算法实现 | 第53-54页 |
| 4.3.3 实验仿真设置及结果分析 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 本文完成的内容 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 攻读硕士期间发表的论文以及参与的项目 | 第64页 |
