基于線性權重最優支配的高維多目標優化算法
大?。?/span>0.90 MB 人氣： 2017-11-24 需要積分：1
在高維多目標優化問題中，Pareto支配關系存在非支配解隨優化目標數增加呈指數級增長和種群選擇壓力下降等問題。針對這些問題，基于線性權重聚合函數和支配關系兩種比較多目標解方法的思想，提出一種線性權重最優支配關系（ LWM-dominance），并理論證明了LWM非支配解集是Pareto非支配解集的子集，同時保留了種群中重要的角解。進一步地，基于LWM支配關系，實現了一個高維多目標進化優化算法，基于該算法的實驗驗證了LWM支配關系的性質。在隨機解空間中的實驗結果表明LWM支配關系適用于5-15個目標的高維多目標優化問題，通過DTLZI - DTL27高維多目標優化問題進化過程中LWM非支配解集與Pareto非支配解集規模的對比實驗，結果表明優化目標數為10和15時非支配解的比例平均下降了約17%。
?
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
基于線性權重最優支配的高維多目標優化算法下載
相關電子資料下載
- 不同的人工神經網絡模型各有什么作用? 126
- rnn神經網絡基本原理 233
- 深度學習中的模型權重 56
- bp神經網絡算法過程包括 106
- 神經網絡優化算法有哪些 70
- 反向傳播神經網絡建模基本原理 166
- 反向傳播神經網絡概念是什么 168
- 反向傳播神經網絡分為多少層 162
- bp神經網絡模型拓撲結構包括哪些 115
- 卷積神經網絡激活函數的作用 80