声明
摘要
第1章 绪论
1.1 研究意义
1.2 多目标优化问题
1.2.1 多目标优化问题的数学描述
1.2.2 多目标优化中的Pareto最优解理论
1.3 多目标遗传算法
1.4 本文工作及组织结构
第2章 相关算法分析
2.1 NSGA2算法
2.1.1 快速支配排序
2.1.2 拥挤距离函数
2.1.3 基于PCD的环境选择机制
2.1.4 NSGA2算法的优缺点
2.2 SPEA2算法
2.2.1 个体评价机制
2.2.2 环境选择机制
2.2.3 SPEA2算法的优缺点
2.3 MOEA/D算法
2.3.1 多目标问题单目标化方法
2.3.2 MOEA/D种群交流机制
2.3.3 MOEMD算法的优缺点
2.4 Pareto局部优化算法
2.5 本章小结
第3章 混合多目标遗传算法研究
3.1 改进的NSGA2多目标遗传算法-INSGA2
3.1.1 基于PLS的局部优化算法
3.1.2 基于PCD的个体选择策略
3.1.3 基于PCD的精英种群更新策略
3.1.4 算法描述
3.2 改进的SPEA2多目标遗传算法-ISPEA2
3.2.1 改进的环境选择策略
3.2.2 基于KND的精英种群的更新策略
3.2.3 算法描述
3.3 改进的MOEA/D多目标遗传算法-IMOEA/D
3.3.1 改进的邻域交互策略
3.3.2 环境选择策略
3.3.3 算法描述
3.4 基于SPEA2和MOEA/D的混合分解多目标遗传算法
3.4.1 种群交流机制
3.4.2 算法描述
3.5 本章小结
第4章 混合多目标遗传算法在RWA问题中的优化应用
4.1 RWA研究意义和研究现状
4.2 MQRWA数学优化模型
4.2.1 MQRWA问题定义
4.2.2 MQRWA优化函数
4.2.3 MQRWA优化模型
4.3 MQRWA问题中的遗传算法模型
4.3.1 MQRWA编码方案
4.3.2 MQRWA交叉操作
4.3.3 MQRWA变异操作
4.3.4 MQRWA修复策略
4.3.5 基于Prim最小生成树的初始化策略
4.3.6 MQRWA局部优化策略
4.4 MQRWA问题的实验分析
4.4.1 算法评价指标
4.4.2 收敛性分析及参数调整
4.4.3 局部优化策略对算法性能的影响
4.4.4 对比分析
4.6 本章小结
第5章 混合多目标遗传算法在服务选取中的优化应用
5.1 QSS研究意义及研究现状
5.2 QSS数学优化模型
5.3 QSS优化问题中的遗传算法模型
5.3.1 QSS编码方案
5.3.2 QSS交叉操作
5.3.3 QSS变异操作
5.3.4 QSS种群初始化策略
5.3.5 QSS问题中的局部优化策略
5.4 QSS问题的实验分析
5.4.1 收敛性分析及参数调整
5.4.2 局部优化策略对算法的性能影响
5.4.3 对比分析
5.5 本章小结
第6章 总结与研究展望
6.1 工作总结
6.2 研究展望
参考文献
致谢
攻读硕士学位期间发表的论文及参加的项目