首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文

基于迁移学习的动态优化算法研究

摘要第4-5页
Abstract第5-6页
第一章 绪论第14-22页
    1.1 研究背景与意义第14-19页
        1.1.1 单目标优化问题第14-16页
        1.1.2 多目标优化问题第16-19页
        1.1.3 优化问题研究难点第19页
    1.2 本文主要工作第19-20页
    1.3 本文组织形式第20-22页
第二章 基于流形的迁移动态多目标优化算法第22-50页
    2.1 动态多目标优化问题概述第22-29页
        2.1.1 动态多目标优化问题简介第22页
        2.1.2 动态多目标优化问题研究综述第22-29页
    2.2 基于迁移学习的动态多目标优化算法第29-31页
        2.2.1 迁移成分分析第30页
        2.2.2 Tr-DMOEA算法第30-31页
    2.3 基于流形的迁移动态多目标优化算法第31-40页
        2.3.1 背景知识:流形和基于流形的迁移学习算法第32-33页
        2.3.2 背景知识:基于流形的多目标优化算法第33-36页
        2.3.3 提出的算法:MT-DMOEA第36-40页
    2.4 实验及结果分析第40-49页
        2.4.1 与SGEA对比第41-44页
        2.4.2 结构有效性验证实验第44-47页
        2.4.3 与Tr-RM-MEDA对比第47-49页
    2.5 本章小结第49-50页
第三章 多任务优化问题研究第50-74页
    3.1 多任务优化问题简介第50页
    3.2 单目标的多任务优化问题第50-64页
        3.2.1 单目标的多任务优化问题范例:MFO第51-53页
        3.2.2 单目标的多任务优化算法:MFEA第53-56页
        3.2.3 单目标的多任务优化算法研究现状第56-57页
        3.2.4 单目标的多任务粒子群优化算法:MTOPS第57-60页
        3.2.5 实验结果及分析第60-64页
    3.3 多目标的多任务优化问题第64-71页
        3.3.1 多目标的多任务优化问题范例:MO-MFO第64-65页
        3.3.2 多目标的多任务优化算法:MO-MFEA第65-66页
        3.3.3 多目标的多任务优化算法研究现状第66页
        3.3.4 多目标的多任务粒子群优化算法:MTOMOPS第66-68页
        3.3.5 实验结果及分析第68-71页
    3.4 本章小结第71-74页
第四章 动态多目标的多任务优化算法研究第74-86页
    4.1 动态多目标的多任务优化问题简介第74-76页
    4.2 基于迁移学习的动态多目标的多任务优化算法第76-79页
        4.2.1 背景知识:结合全局和局部度量的迁移学习算法第77-78页
        4.2.2 本文提出的算法:d-MTOMOPS第78-79页
    4.3 实验结果分析第79-81页
        4.3.1 测试函数第79-80页
        4.3.2 实验结果第80-81页
    4.4 本章小结第81-86页
第五章 总结与展望第86-88页
参考文献第88-94页
附录A 动态多目标优化标准测试函数第94-100页
附录B 结构有效性验证实验结果第100-102页
附录C 多任务优化标准测试函数第102-110页
    C.1 单目标的多任务优化标准测试函数第102-104页
    C.2 多目标的多任务优化标准测试函数第104-110页
硕士期间发表论文第110-112页
致谢第112页

论文共112页,点击 下载论文
上一篇:基于水声传感器网络的定位精度优化技术研究
下一篇:基于生成对抗网络与逆向强化学习的机器人汉字笔画书写方法研究