學位論文

Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73912

Browse

Has files: NoSubject: search.filters.subject.多目標最佳化問題

Search Results

Now showing 1 - 3 of 3
  • No Thumbnail Available
    Item
    具適應性參數調整機制之多目標演化式演算法
    (2011) 陳政南; Chen Cheng-Nan
    現實生活中的決策問題如投資股票時需要考慮多個目標 (風險和收益)，而這些目標通常是互相衝突的，多目標最佳化問題就是要找出同時最佳化這些目標的解集合。求解多目標問題相當困難且耗費時間，而演化式演算法 (evolutionary algorithm) 利用族群演化的特性能在單一回合就能找出近似最佳解集合，因此非常適合求解多目標問題。現今已有非常多成功的應用，但為了在求解各種不同問題時都能有良好的效能，通常需要對演算法參數進行調校，如何減少使用者調校參數的負擔，是一個十分重要的課題。 本論文針對MOEA/D-AMS 演算法中的重要參數進行動態調整，差分演化算子(differential evolution operator)的控制參數 F 和 CR 會影響子代和親代的距離和方向，本論文所使用的方法是收集演化過程中成功產生優於親代的子代所使用的參數組合，基於這些參數組合來調整往後演化所使用的參數，目的是希望讓演算法在面對不同問題的狀態時，都依然能有良好的機率產生優於親代的子代，最後實驗結果會針對演算法在17個多目標問題的效能做評比，以及具動態參數調整的演算法在處理不同型態問題時的分析和討論。
  • No Thumbnail Available
    Item
    以融合新式親代選擇機制之MOEA/D求解多目標最佳化問題
    (2010) 賴永斌; Lai Yung-Pin
    本論文提出一個融入新式親代選擇機制的MOEA/D演算法，用來求解多目標最佳化問題，新式親代選擇機制由三個機制組成：密集度評估機制、收斂評估機制、交配池選擇機制，使用此機制來改良MOEA/D演算法，增進演化效能，使用密集度跟收斂評估機制來分配計算資源，使計算資源不致浪費在無謂的演化上，充分的利用計算資源來達到更有效的演化，使用交配池選擇機制來改變交配池成員，原本MOEA/D演算法的設計是選擇固定成員當成交配池，而有少許機會可以選擇整個族群當成交配池，或許由固定成員進行交配在某些問題上很難逼近Pareto Front，所以我們使用交配池選擇機制來改變交配池成員，由此本論文提出一個新式親代選擇機制架構在MOEA/D演算法中，由實驗結果得知，此機制對於複雜的多目標最佳化問題可以得到很好的效能。
  • No Thumbnail Available
    Item
    以分解型演化演算法求解多目標資源限制專案排程問題
    (2017) 王映萱; Wang, Ying-Suan
    目前求解資源限制專案排程問題 (Resource-Constrained Project Scheduling Problem, RCPSP) 的文獻，大多注重於求解單目標問題，又以專案完工時間 (makespan) 當作目標為大多數。而在實務中，專案經理對專案考慮的目標往往是多方面的，除了專案完工時間之外，也須考量如何在讓所有的工作在所規定的時間內完成，避免工作的延遲導致成本的大幅提高。因此本研究針對最小化專案完工時間以及最小化總延遲時間 (total tardiness) 兩項目標進行求解。 本研究提出MOMA/D-IGR來求解此問題，改良自MOEA/D [7]，為了增加族群的多樣性，在環境選擇機制上，讓子代可取代的個數限制為一個，並且不讓相同個體進行取代更新。接著提出四種區域搜尋策略，希望能讓族群中的個體分採用求解方向對應之區域搜尋方法。實驗的測試問題採用Xiao等人 [15] 所提出的測試問題集，並與Xiao等人 [15] 所提出的6種演算法進行比較，分別為SPEA2、SPEA2-EM、NSGAII、NSGAII-EM、MOEA/D 以及MOEA/D-EM。實驗結果顯示MOMA/D-IGR能得出最好的效果。