多目標(biāo)優(yōu)化Pareto支配性預(yù)測(cè)方法研究.pdf

1、進(jìn)化算法已成功地應(yīng)用于多目標(biāo)優(yōu)化領(lǐng)域，但用該類算法解決昂貴多目標(biāo)優(yōu)化問(wèn)題時(shí)，僅一次目標(biāo)函數(shù)或約束函數(shù)的評(píng)估就需耗時(shí)數(shù)小時(shí)甚至數(shù)天（簡(jiǎn)稱為計(jì)算成本災(zāi)難問(wèn)題），所需計(jì)算開(kāi)銷和時(shí)間效率均難以接受。盡管采用基于代理模型的多目標(biāo)進(jìn)化算法能在一定程度上緩解計(jì)算成本災(zāi)難問(wèn)題，但代理模型及逼近技術(shù)的選擇需要較多先驗(yàn)知識(shí)，且每個(gè)目標(biāo)函數(shù)都需要單獨(dú)的模型，模型類型和參數(shù)精度會(huì)直接影響估計(jì)的準(zhǔn)確性，建模對(duì)多目標(biāo)優(yōu)化問(wèn)題（MOP）本身是一種挑戰(zhàn)，代價(jià)高昂。

2、r>　　本文研究應(yīng)用模式識(shí)別技術(shù)解決計(jì)算成本災(zāi)難問(wèn)題的Pareto支配性分類方法。提出了預(yù)測(cè)Pareto支配性的模式分類器基本架構(gòu)，分類器通過(guò)學(xué)習(xí)樣本候選解的Pareto支配性關(guān)系，預(yù)測(cè)目標(biāo)向量值未知候選解的Pareto支配性。首先在假設(shè)類條件概率密度函數(shù)服從正態(tài)分布的前提下，初步實(shí)現(xiàn)了基于統(tǒng)計(jì)學(xué)習(xí)理論的貝葉斯分類器，為進(jìn)一步探究Pareto支配性預(yù)測(cè)奠定了基礎(chǔ)。
　　為提高Pareto支配性預(yù)測(cè)準(zhǔn)確性，通過(guò)分析MOP自身特點(diǎn)，對(duì)

3、決策分量定義域存在數(shù)量級(jí)差異的優(yōu)化問(wèn)題，相繼提出了基于二進(jìn)制位串加權(quán)和及同維分量距離序號(hào)和相似性測(cè)度方法。仿真實(shí)驗(yàn)表明，與基于歐氏距離的相似性測(cè)度方法相比，二者均顯著地提高了最近鄰分類的精度，且對(duì)不同類型的多目標(biāo)優(yōu)化問(wèn)題有較強(qiáng)的魯棒性；對(duì)決策向量中存在等價(jià)分量的優(yōu)化問(wèn)題，在分析決策分量對(duì)各目標(biāo)分量貢獻(xiàn)率的基礎(chǔ)上定義決策向量的等價(jià)子向量，等價(jià)子向量由貢獻(xiàn)率相同的決策分量所組成，提出基于等價(jià)子向量的最小交叉距離加權(quán)和相似性測(cè)度方法。對(duì)典型多