【摘 要】
：
基于分解的多目标进化算法(MOEA/D)是将多目标优化问题分解为若干个简单子问题进行并行求解的方法.然而MOEA/D对不同子问题均采用固定邻域求解,这不利于算法在邻域范围内选择
【机 构】
：
浙江工业大学 管理学院,杭州310023之江实验室,杭州310023;浙江工业大学 计算机科学与技术学院,杭州310023;
论文部分内容阅读
基于分解的多目标进化算法(MOEA/D)是将多目标优化问题分解为若干个简单子问题进行并行求解的方法.然而MOEA/D对不同子问题均采用固定邻域求解,这不利于算法在邻域范围内选择到合适的解替换更新.针对此问题,本文提出一种新的调整邻域大小分配的分解多目标进化算法,以平衡算法的收敛性和多样性.该算法根据子问题距离中心区域的偏离程度,动态调整选择邻域和替换邻域大小.在算法性能对比实验中,将本文提出的算法与MOEA/D、MOEA/D-GR、MOEA/D-DRA及MOEA/D-DU在二维ZDT测试函数和三到五维DTLZ测试函数进行性能测试.实验结果表明,本文所提算法与其他几种经典算法相比,在测试函数上解集的整体质量显著提高.
其他文献
群组推荐是推荐系统领域的研究热点之一,相比传统推荐系统,群组推荐针对团体性活动对群组成员进行推荐,很好地缓和了群组成员间的偏好冲突,取得了更好的推荐效果.本文介绍了
基于机器学习的文本分类方法通常忽略了文本上下文内容的语义特征,基于深度学习的文本分类方法虽考虑了上下文内容的语义特征,但弱化了实体信息在文本分类中的作用,无法丰富
本文提出了一种步态质量的主元量化评定方法，将步态检测得到的原始数据分类形成指标体系，按照主元分析方法将指标进行归一化量化处理、计算，提出综合评定指标，然后用公式和图表方
为平衡高维目标优化问题在进化过程中收敛性与多样性的冲突,本文提出基于两阶段分配策略的高维目标协同进化算法.首先,利用参考向量将种群进行分组,划分为若干个子种群,在进
针对低剂量计算机断层扫描将导致扫描图像噪声高的问题,本文提出了一种用于图像降噪的多生成器的生成对抗网络(TriGAN)模型.首先提出了三个生成器的并行结构对不同类型噪声进行有针对性的图像降噪;其次引入残差网络,避免梯度消失等问题,保证训练阶段的稳定和高效;最后,利用谱归一化方法解决生成对抗网络在训练过程中可能出现的模式坍塌和慢收敛的问题.实验结果表明,TriGAN和其他深度学习模型DnCNN和GA
近年来研究人员在人脸识别与验证领域取得了巨大成就,尽管现有人脸验证算法已经取得了很好的成绩,但是由于化妆会改变面部图像的局部纹理信息,依旧给人脸验证带来了极大的挑战,针对此问题,本文提出了一种新的人脸验证的框架.设置两个残差网络用于提取带妆面部图像和不带妆面部图像的特征,同时在两个残差网络[1]的特征空间中引入一个判别器,判别器可以鉴别输入的特征向量是来自于哪一个残差网络,通过协同训练两个残差网络