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.演化演算法

Search Results

Now showing 1 - 3 of 3
  • No Thumbnail Available
    Item
    以改良式粒子群演算法進行分類問題之特徵選擇
    (2023) 呂政儒; Lu, Cheng-Ju
    特徵選擇是分類問題中降低問題維度的一種重要前處理技術，能消除冗餘和不相關的特徵，留下有用的特徵進行分類，提高分類準確率。隨著資料集維度增加，搜尋空間將急遽加大，這對各種最佳化演算法來說是一個挑戰。本研究希望能提出演算法，以小量計算資源找到一組少量且具有良好分類效果的特徵子集。研究基於當今主流的粒子群演算法，加入搜尋空間調整相關設計、參考相對優秀粒子的較差粒子調整策略，以及一個具方向性的新粒子群產生策略，該策略使用外部族群更新與紀錄演化過程中找到的多組特徵子集，並將其作為產生新粒子群的參考點。實驗結果與文獻演算法比較後，顯示所提出之演算法機制與設計具有良好的分類效能與較少的特徵數。
  • No Thumbnail Available
    Item
    求解多極值連續型最佳化問題之演化演算法設計
    (2023) 黃敬庭; Huang, Jing-Ting
    多極值連續型最佳化問題需要在決策空間中找出數個相異的全域最佳解，許多現實問題皆是多極值問題，如：桁架 (truss) 結構最佳化、藥物分子設計及工廠排程問題等，在此類問題中找到相異的全域最佳解可以幫助決策者了解問題背後隱藏的因素，或是提供備選方案以備不時之需。近幾年演化演算法逐漸成為解最佳化問題的主流演算法，此類方法利用解個體之間彼此交換資訊、產生新的解個體以此來使族群逐漸往全域最佳解收斂，但收斂意味者族群多樣性喪失或陷入區域最佳解而無法找出其它潛力解，因此如何避免收斂並維持族群多樣性以搜尋不同的區域，是利用演化演算法解多極值最佳化問題的其中一項重要議題。本論文提出了使用混合利基法之潛力區域探索演算法框架 (Promising Area Exploration based on Hybrid Niching, PAEHN)，探討如何將主要族群分為多個子族群以搜尋解空間中的相異區域。在演化過程中記錄潛力解區域，當子族群都已收斂或停滯時，在潛力解區域附近重新產生主要族群以搜尋更多最佳解。此框架可套用不同的演化演算法進行演化，本論文使用 SHADE 作為基底演算法，SHADE 為自適應參數控制的差分演算法且已被證實於連續型單目標最佳化問題具有良好的效率。實驗結果得知 PAEHN 在容許誤差小的情況下具有良好的競爭力；而在容許誤差大的情況下具有相當強的優勢，於 20 個測試問題中有 18 個問題可以找出所有的全域最佳解，且 PAEHN 不需要使用問題的任何先備知識。
  • No Thumbnail Available
    Item
    以協同演化演算法求解單目標大規模全域最佳化問題
    (2020) 周彥辰; Jou, Yann-Chern
    隨著科學技術的進步及大數據的時代來臨，我們面臨的最佳化問題越來越龐大，變數也越來越多，甚至多達上千個；隨著最佳化問題的維度增加，大部分演化演算法的性能將因此迅速惡化而陷入高維度災難。因此，近年來有越來越多的演化計算領域學者投入大規模全域最佳化問題的研究並應用於求解生活中的實際問題。 本研究結合目前兩大主流應用於大規模單目標實數最佳化的方法—協同演化框架 (CC) 和SHADE演算法，提出CBCCLS-mSHADE-RDG3 演算法。從大量的參數調整實驗到演算法行為設計與驗證，一步一步將CC與SHADE演算法結合。於CC框架下，我們採用RDG3 演算法做為問題分解策略；使用CBCC3 進行計算資源的分配，給予對整體適應值貢獻度高的子族群更多必須的計算資源提升演算法效能；以改良版 mSHADE演化子族群。另外，我們提出一個新穎的設計，於 CBCC3 架構下，對適應值貢獻度高的子族群除了使用mSHADE演算法進行演化外，我們以額外區域搜尋演算法MTS-LS1 協助提升最佳解之品質。此獨特設計從實驗結果驗證得知，不僅可以穩定LSGO問題解的品質，更可以提升求解部分可疊加分解問題的效能，整體演算法表現與近兩年的LSGO比賽優勝演算法相比頗具競爭力。