學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73912
Browse
2 results
Search Results
Item 參數調整機制於多目標演化式演算法之效能剖析(2012) 林裕傑在現實生活中，我們常常需要解決一些具有多個目標需要考量的問題，並且這些目標通常是互相衝突的，這些問題稱為多目標問題，而多目標最佳化問題的目標便是找出能最佳化這些目標的解集合。演化式演算法 (evolutionary algorithm) 是求解這類問題的常見演算法，其概念為利用族群演化的方式來尋找最佳解集合。MOEA/D 為其中一種知名的演算法，利用將多目標問題拆成單目標來求解的作法可以獲得良好的結果，而 MOEA/D-AMS 與 MOEA/D-APC 便是以該演算法為基礎所改良，其中 MOEA/D-APC 參考了差分演化 (differential evolution) 產生子代的作法，該演算法擁有兩個控制參數 F 與 CR，這兩個參數值是影響子代品質的關鍵，因此 MOEA/D-APC 加入了讓參數隨演化過程調整的機制，經過實驗證明效能有所改善，但仍然在少部分問題上輸給其他的DE演算法。 本論文挑出八個具有不同參數調整機制的DE演算法，利用 MOEA/D-AMS為主體分別結合這八種演算法與 MOEA/D-APC 的參數調整機制，藉由對17個測試問題進行實驗與分析，討論不同調整機制對效能的影響，並將主要目標放在探討 MOEA/D-APC 的弱項及改進方案上。Item 多目標演化式演算法之多狀態適應性參數調整機制(2013) 陳冠廷多目標最佳化問題在現實生活中隨處可見，像是生產排程與規劃問題，目標通常是讓生產效能最大化而耗費成本最低。此類問題的目標通常是相互衝突的，因而求解此類最佳化問題的解集合是相當困難又耗時的。演化式演算法 ( evolutionary algorithm ) 利用族群演化的特性求取 (近似) 最佳解集合，相當適合在多目標最佳化這種類型問題上使用，因此已被廣泛使用與發展。可是演化式演算法在不同的問題上需要不同的參數設定，才能獲得較佳的效能。所以如何讓使用者在參數調校的負擔減少，是一個十分重要的項目。 本論文針對 MOEA/D-AMS 演算法中的差分式演算法主要參數 F 與 CR執行動態調整，兩者分別影響子代和親代的差異程度與選擇子代的基因交配機率。本論文使用MOEA/D-AMS 收斂度評估機制作演化時期參考分類個體，佐以三種狀態參數調整機制去對應個體不同演化時期的調整。目的是希望族群中的個體能夠在不同演化時期獲得最恰當的調整方法來增進效能。最後實驗部分則會評比演算法在17個多目標問題的效能，與其他具動態參數調整機制在處理不同型態問題時的分析和討論。