深圳市进源盛塑胶材料有限公司

PEEK;PTFE;POM;PMMA

 
 
新闻中心
  • 暂无新闻
产品分类
  • 暂无分类
站内搜索
 
友情链接
  • 暂无链接
正文
88849红姐图库马会基于改进的NSGA-II多目标优化方法搜求
发布时间:2020-01-29        浏览次数:        

  基于更始的 NSGA-II 多方针优化格式研究 作者 途艳雪, 赵超凡, 吴晓锋, 韩晓霞 机构 太真理工大学 信息工程学院 揭橥期刊 《算计机行使探求》 预排期卷 2018 年第 35 卷第 6 期 访候地点 颁发日期 2017-06-14 11:57:17 引用格式 途艳雪, 赵超凡, 吴晓锋, 韩晓霞. 基于鼎新的 NSGA-II 多目标优化格式研究[J/OL]. [2017-06-14]. 大纲 针对传统多宗旨优化算法在其界限生存的多个子目的不能同时取优的题目,提出了一种基于更始的非掌管排序遗...

  基于改革的 NSGA-II 多主意优化体例寻觅 作者 路艳雪, 赵超凡, 吴晓锋, 韩晓霞 机构 太理由工大学 音书工程学院 发表期刊 《推算机利用寻求》 预排期卷 2018 年第 35 卷第 6 期 拜候地方 揭橥日期 2017-06-14 11:57:17 引用格局 路艳雪, 赵超凡, 吴晓锋, 韩晓霞. 基于刷新的 NSGA-II 多目标优化形式寻觅[J/OL]. [2017-06-14]. 提纲 针对古板多宗旨优化算法在其界限生活的多个子宗旨不能同时取优的标题,提出了一种基于革新的非支配排序遗传算法(non-dominated sorting genetic algorithm-II,NSGA-II)多目标优化格式,以多目的优化遗传算法为基础,多输入多输出的反向传播(back-propagation,BP)神经蚁集为契关度函数评判体例,保证算法疾速放肆并研究到全局最优解集,该算法在筑模前对测验数据实行主位置了解,提升了运算时候和算法难度,源委在遗传进化历程中引进正态分布交织算子(norm 要说词 降维, 物色空间, 遗传算子, 神经搜集, 多目的优化, 非驾御解 中图分类号 TP391.9 基金项目 国家青年科学基金同意项目(21606159) 收集出版功夫:2017-06-14 13:53:32聚集出版地点:优先出版 计 算 机 应 用 研 究 第 35 卷 ---------------------------- 基金项目:国家青年科学基金帮助项目(21606159) 作者简介:路艳雪(1990-),男,河南安阳人,硕士寻觅生,浸要寻觅倾向为多目的优化,智能谋略与利用;赵超凡(1992-),男,硕士寻求生,急急搜索方向为机器练习、多相催化建模与优化;吴晓锋(1994-),男,硕士探寻生,吃紧探究方向为检测身手与自动化安置;韩晓霞(1976-),女(通信作者),副先生,硕导,博士,要紧寻求方向为智能音书处理、混合编制建模与优化(). 基于更始的 NSGA-II 多目的优化式样摸索 * 说艳雪,赵超凡,吴晓锋,韩晓霞 (太原理工大学 音讯工程学院,山西 晋中 030600) 摘 要:针对古板多方针优化算法在其界限生计的多个子主意不能同时取优的问题,提出了一种基于鼎新的非驾御排序遗传算法(non-dominated sorting genetic algorithm-II,NSGA-II)多宗旨优化方法,以多目的优化遗传算法为根蒂,多输入多输出的反向宣传(back-propagation,BP)神经搜集为适宜度函数评价系统,包管算法快速肆意并研究到全局最优解集,该算法在筑模前对测验数据进行主因素分解,升高了运算时辰和算法难度,通过在遗传进化进程中引进正态分布交错算子(normal distribution crossover,NDX)和刷新的自吻合诊疗变异算子,结束了多个主意同时取优,担保 Pareto最优解集速快、精确地得到。仿确凿验行使 UCI 数据集,始末与其所有人常用的多主意优化算法比照,验证了革新的 NSGA-II算法无误度更高、狂放快度更速、安定性更强。 枢纽词:降维;追求空间;遗传算子;神经辘集;多目标优化;非把握解 中图分类号:TP391.9 Multi-objective optimization method research based on improved NSGA-II Lu Yanxue, Zhao Chaofan, Wu Xiaofeng, Han Xiaoxia (College of Information Engineering, Taiyuan University of Technology, Jinzhong Shanxi 030600, China) Abstract: The traditional algorithm cannot optimize the subgoals at the same time in multi-objective optimization area. To solve this problem, on the basis of improved non-dominated sorting genetic algorithm-II (NSGA-II), this paper presents a kind of multi-objective optimization method. On the foundation of multi-objective optimization genetic algorithm, it takes the back-progression (BP) artificial neural network model of multi-inputs-multi-outputs as fitness evaluation function for NSGA-II. So that the algorithm can converge on a fast speed and find out the global optimal solutions. In use of reducing dimensions, this paper analyzed the principal component of the experimental data before system modeling, thus it can reduce the running time and algorithm difficulty. To realize the aim of multi-objective optimal at the same time, the paper proposed the normal distribution crossover (NDX) operator and the improved adaptive adjustment mutation operator in genetic evolution process. So this experiment can obtain Pareto optimal solution set quickly and accurately. Compared with the conclusion of other multi-objective optimization algorithms, in the experimental simulation with UCI standard data set, the result of improved NSGA-II is. of the higher precision, the faster convergence and the stronger stability. Key Words: dimensionality reduction; searching space; genetic operator; neural network; multi-objective optimization; non-dominated solution; 0 弁言 现实生存中,本文常常会际遇极少多宗旨优化题目。比如人们买车时搜索“高性价比”,即发扬用较少的钱买到功用较高的车,而真相大多是效用较好的车代价也反应较高,于是供给在价格和效力间找到一个平均点折中处置,这是一个范例的多方针优化题目。在生计中密集规模,多主意优化问题皆献艺防护要角色,包罗制造业、运输业、就事业、电信业等行业,多目标优化题目无处不在 [1][2] 。 为理解决此类多个方针间相互“矛盾”的问题,再三提供将与这些题目关系的多个子主意转变为与之对应的函数表白式,然后再对其举办优化求解,这就是多方针优化题目 [3] 。平凡来说,在多方针优化问题中,各目的和参数通常是相互关系且又互相矛盾的 [4] ,目的变量与肯定变量之间的复杂联系很难工具体的函数正确表明,这些方针中一个子宗旨的更正时常会引起另一个子方针功用的抬高。因而,要使多个子宗旨同时取 优先出版 计 算 机 应 用 研 究 第 35 卷 优是不也许的,只能采用中和调解治理的体例,使各子宗旨都尽管来到最优,从而达到最优化收效 [5] 。 古板的多目的优化问题求解方法有很多种,包蕴评判函数法 [6][7] 、宗旨筹办法、分层求解法等 [3] 。这些形式的基础思思都是把多主意题目中的子主意函数,过程解决或数学调换更改为单目标问题,然后行使处分单方针题目的才力方法来办理标题[8] 。光鲜,这种多主意优化题目的处置格局,失落了多宗旨优化的性子乐趣 [9] 。 遗传算法(GA)能对整个物色空间的大批可行解同时并行查究,校服了守旧格式或者陷入纵容于局限最优的窘境 [10][11] ,但守旧的遗传算法也糊口诸多过失,比方:计较难度较高;当种群较大时,计划特殊耗时;没有精英政策。非控制排序遗传算法 II(NSGA-II)对古板的遗传算法举办了更始 [12][13] ,要紧包含以下方面:提出了速速非操纵排序法,进步了企图混合度;提出了拥挤隔绝和拥挤度比照算子,庖代了供应指定共享半径的相符度共享战略,依旧了种群的多样性 [14] ;引入精英战略,伸展了采样空间。张屹等 [15] 针对汽车制动器的多目标优化问题提出了一种基于正交打算 NSGA-II 的鼎新算法,取得了分散更好的 Pareto 前端,但领悟证 Pareto 前沿的样子很敏感,鲁棒性低;冯翔等 [16] 基于遗传算法比来邻想想的发蒙式交错算子和改革的变异算子,处置多条跑讲景遇下进港航班调换题目,该形式在理论上可行,但实际标题中情况混杂,需遵照大宗的先验常识;蔡云骧等 [17] 为办理多层吸波涂层机关优化题目,愚弄带有精英策略的非操纵排序遗传算法获取吸波涂层“宽、轻、薄、强”的优越功效,但该算法的算计机扶助策画收效较低,无法实现大领域运用;Furtuna 等人 [18] 准备了一款基于精英策略的非驾驭排序遗传算法(NSGA-II)的运用软件,革新了聚硅氧烷合成历程中的多方针优化题目,但该运用对反映央求哀求冷酷,不具普适性;余廷芳等 [19] 更始了非劣遗传算法并利用于锅炉的多宗旨点燃优化,校正锅炉热赔本及xNO 的排放标题,但该算法相对差错稍大,精度略低。 暂时多目标优化搜索中生存诸多问题,因此本文提出了一种基于鼎新的非支配排序遗传算法(NSGA-II)多目标优化形式,经 UCI 数据集的联络仿真与验证,该方法与古板的多宗旨优化算法相比,大大地擢升了运算速率和功劳,印证了其使用的可行性。 1 根蒂概念 1.1 多方针优化的平常描画 [20] 设有向量  1 2TnX= x x x , , ,满足以下桎梏央浼:  0ig X  1 2 i= , k , , (1)   0ih X = 12 i= , l , , (2) 同时优化 m 个宗旨,且各目标之间彼此矛盾。则待优化的方针函数可表示为:        1 2Tmf X f X f X , f X    , , (3) 求得其解1 2T nX x ,x , ,x    ,使  f X在餍足限制(1)和(2)的同时取得最优值。 1.2 Pareto 最优解 [20] 多方针优化就是使各个方针同时取得最优解的纠合,来源最优解泛泛不唯一且无黑白之分,因此它也被称为非左右解集。由于这个概思是 Vilfredo Pareto 在 1896 年提出的,所以也称之为 Pareto 最优解。其数学描画如下: 假定多目标优化问题 min f X( ) ,若糊口 X  且不存在其大家的X  餍足   i if X f X    1 2 i= , m , ,,则称 X 为 min f X( ) 的Pareto 最优解。 1.3 仿制二进制交织算子(SBX) [21] 设定父代为1 2p p ,,捉弄 SBX 出现子代1 2x x ,。对付第i i n   (1 ) 个变量,其交错产生的子代为 1 211 21212i iii ii+ p + - px =- p + + px =   ,管家婆27792论坛 思北小学从6月份就启动了扫黑除恶专项斗争工作, ,,, ,2,( ) (1 )( ) (1 ) (4) 此中  为随机变量,其天才的式样为  11110 52 0 5+-+.=- .   (2 ) ,(1 ) , (5) 此中:  是区间(0,1)上平均分散的随机数;  为一常数。 2 NSGA-II 多目标优化算法的改革 基于更始的非独揽排序遗传算法(NSGA-II)多方针优化形式没合系更好地管理多目标优化题目,它改革了传统的遗传算法,最终获得的一组互不把握的解集(而非古板的单一解),而且它们在必然水平上都满足各个方针函数的牵制请求。 本文提出的鼎新的非驾驭排序遗传算法依然采取遗传算法的根蒂框架,刷新首要显露为: a)引入正态分布交织算子(NDX),加强算法的空间寻找能力。 假定父代为1 2p p ,,戏弄 NDX 产生子代为1 2x x ,。对付第i 个变量,其交织进程如下: 滋长一个随机数  01 t ,  若 0 5 t .  ,那么 111111 4812 21 4812 2i ii iii ii ii. p -p N p +px = +. p -p N p +px = -, 2,, 2,,, 2,, 2,2,( )(0,1)( )(0,1) (6) 若 0 5 t . ,那么 111111 4812 21 4812 2i ii iii ii ii. p -p N p +px = -. p -p N p +px = +, 2,, 2,,, 2,, 2,2,( )(0,1)( )(0,1) (7) 此中 N(0,1) 为正态分布随机变量。 b)提出更始的自适宜调剂变异形式,提升种群取优疾度。 优先出版 计 算 机 应 用 研 究 第 35 卷 对待搀杂的非线性优化标题,古代的 NSGA-II 算法选择 Deb 提出的多项式变异格局,由于这种变异算子中含有随机参数和主观参数,使其随机性较大,猖狂速度较慢。革新的自闭适医治变异形式可以历程其效率机理获得更好的放肆收获,不仅戏弄变异的用意晋升了肆意快度,还提升了种群的多样性和不变性,从而使得 Pareto 边界分布更优。 将种群中个人的变异概率定义为 2m i m iP = P -e (X) (X) 12 i= , , M , (8) 1ii m Mjj=Ee = P ME(X)(X)(X ) 12 i= , , M , (9) 由以上两式不可贵出: 11Mm j mjP =PM(X ) (10) 此中:ie (X) 为个人iX 的适合度,iE (X) 为局部iX 的相符度评判函数,mP 为个人变异概率,mP 为匀称变异概率,M 为片面数。 由式(8)可得,切合度较大的个体变异概率取较小值;适宜度较小的一面变异概率取较大值。由公式 10 可知,各代种群的变异概率和褂讪,既保证了其各样性,也加速了取优快率。 c)对试验数据实行主名望解析,提取功用数据最终的严沉因素,升高数据处理量。由于实习数据集样本数过多,维度较大,88849红姐图库马会往往导致算计同化度高,解决效率卑俗。针对此题目,本文将原数据实行主名望分析,擢升算法成果,节俭运算期间。 d)挑选 BP 神经网络设置多目标优化模型,并以此模型行为多目标优化编制设立评议模型。为保证算法的高效性,本文挑选十进制数编码政策,将 BP 神经网络预计误差动作收集的评议函数。 3 算法妄图 革新的 NSGA-II 多宗旨优化算法将 BP 神经辘集模型行为多方针优化评议系统,遗传进程引入正态分散交叉算子和自相符调剂变异算子,进步了寻求优越局部的快度,增大了探寻空间和种群的各式性,使孕育的新种群符合度更高,亦即获得Pareto 最优解集。算法经过如图 1 所示。 改革算法的 NSGA-II 过程为: a)随机孕育局部数为 N 的初始种群0P ,对其实行速速非支配排序,初始化种群中一共局部的品级值,进化代数 0 n= ; b)从nP 中随机选择局部举办遗传独霸,出现子代nX (本文采用二进制锦标赛采选安排,交织选用提出的正态散布政策,变异算子选择改进的自契合调养变异格局); c)将nP 与nX 闭并出现nQ 并算计目标函数值,对nQ 施行疾速非驾驭排序利用; d)源委估计nQ 中部分的拥挤度和拥挤阻隔,优选出 N 个局部,组成新一代种群n+1P; e)若 1 n=n+ (来到最大迭代次数),满足终结要求则循环实行,否则转到 b); f)得到 Pareto 最优解集。 决定网络构造创建神经密集初始化收集研习锤炼麇集知足完成央浼?实数编码初始化种群P n ,进化代数n=0;二进制锦标赛挑撰正态分布交错自适应诊疗变异生长子代X nP n 与X n 归并孕育Q n ,对Q n 非掌管排序计划Q n 中片面的拥挤度,优选出N个个别组成新一代种群P n+1n=n+1?否是是否主身分领会博得实习数据输 出 图 1 算法总体构造 4 测验仿真 为验证更始算法的合理性,永诀对引入的正态漫衍交叉算子、改进的自适合颐养变异算子、主成分理会法、神经汇集建模等举行仿确实验。实习运行情形为:MATLAB(R2014a)软件,一台 2.5 GHz 解决器 4 GB 内存的 PC 机。 4.1 引入正态散布交叉算子(NDX) 为验证在革新算法中引入正态分散交织算子(NDX)的高效性与关理性,比拟效法二进制交错算子(SBX)所具有的优势,本文将两者在一维摸索空间中实行对照。由前述对 SBX 与NDX 定义的形容,实行给定两个父代一面在空间中的身分,遵照式(4)(6)寂寞企图 5000 次,诀别孕育 10000 个子代局部,赢得其在找寻空间的分布境况,此中1 20 7 0 2 15 p= . p = . =  , ,,x 浮现子代个体在搜索空间的取值限定,y 出现子代片面在给定区间出现的次数。统计结尾如图 2、3 所示。 0 0.2 0.4 0.6 0.8 1.002500子代部分取值控制 子代一面显示次数 SBX 图 2 SBX 算子的探究空间散布景况 0 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3 3.0025003000子代个体取值节制 子代局部呈现次数 NDX 图 3 NDX 算子的找寻空间漫衍情景 优先出版 计 算 机 应 用 研 究 第 35 卷 寓目比拟图 2、手机看开奖结果01kj 更是直言投资人需遵循“责任自负,3 可知,NDX 得到的空间探索节制(-1.8~3.3)比 SBX 的空间搜索节制(0.1~0.8)更具均匀性和辽阔性,也就更敷衍开脱局部最优的限定,从而无妨更快地取得齐全的Pareto最优解集,革新算法中引入 NDX 的闭理性和闭用性将在测验结尾中进一步博得证据。 4.2 改进的自吻合调度变异格局 为验证算法更始的优势及合理性,死别根据多项式变异旨趣 和 改 进 的 自 适 应 调 整 变 异 方 式 对 求 解 非 线i ii=y= x + . x , ,的最小值举行仿实在验。在进化企图中,抉择十进制编码式样,决心式采样挑撰法,算术交织体例,其大家参数在两种格式中均设划一值。建树种群大小 100,交错概率 0.9,迭代次数 1000。图 4、5 所示为平均变异概率分别取0 005mP = . 与 0 05mP = . 时,两种变异体例分别获得的最优个体的函数值随进化代数填充的变换曲线mP = . 时 y 的调动曲线mP = . 时 y 的更改曲线mP = . ,选取革新的自符合调度变异形式处置了变异概率挑撰上的矛盾,使其得到的最优片面函数值均小于守旧的多项式变异格式,并且刷新算法解的分散更为匀称,猖狂速度更疾,验证了改革的自适应调动变异形式的有效性和效力优势。 4.3 主因素体味 实习原始数据采取 UCI 数据集 Energy efficiency Data Set,其索求主意是评估建筑物热负荷与冷负荷的能源劳绩,本实行目的即:求由热负荷与冷负荷的值构成的解集,使两者的能源成就同时到达最高。该数据集共包含有 768 组样本数据,包括建筑物的相对稹密度、全部轮廓积、墙形式积、屋顶面积、建修高度、筑筑职位等共计 10 种属性。 由于筑修物特质零乱,数据过多,故原委主职位理解来普及数据企图量,普及结果。固守主身分融会法计算次序,测验博得的数据会合 10 种属性对能源成就的功勋率、步调运行功夫及相对差错汇总如表 1 所示。 表 1 主地位体味汇总音问 主身分数(个) 功劳率(%) 累计孝敬率(%) 运行时刻(s) 偏差(%) 1 18.17 18.17 2 17.17 35.34 3 16.09 51.43 4 15.12 66.55 201.8 20 5 10.81 77.36 286.5 5.3 6 9.18 86.54 336.3 2.1 7 6.99 93.53 412.8 2 8 5.98 99.51 433.4 1.2 9 0.28 99.79 454.6 0.6 10 0.21 100 461.7 0 本实践挑选主名望的轨则是,在累计奉献率满足恳求的条件下,包管运行时间和相对误差的值尽或者小。历程反复实验仿线%以上,不具有参考代价,故表 1 重要列出了主名望数大于 4 时的汇总音尘。 理会表 1 数据可知,当主因素数为 5 时,其累计孝敬率低于理解值 80%,况且其偏差大于 5%,表明丢失数据信休较多,故不可取;主位置数大于 6 时,其累计进献率虽然达到 90%以上,但与主身分数为 6 时比较,其相对差错并没有光鲜减小,但岁月搀和度已有较大幅度的提升,即此时牺牲了运行光阴来减小差错,也不可取;当主职位数为 6 时,其累计功劳率大于80%,其运行期间也相对较短,并且相对误差仅为 2%,表明前6 个主因素仍然底子蕴藏了数据齐集完全属性具有的音信,故主名望个数决心为 6。 综上所述,经主身分剖析后,时候搀杂度大大升高,并且相对偏差仍旧在 2%掌管,仍旧了数据集约 98%的讯休,知足了尝试央求,证据主身分剖析法大大升高了轨范运行效果,裁减了数据处置量,具有很高的的确性。 4.4 BP 神经蚁集模型 4.4.1 确立 BP 神经汇集模型 BP 神经搜集具有高度容错本领和自吻合研习才干,其迫近大肆搀和非线性联络的能力更为密切,不妨确立变量间的灰色关联,为处置多主意优化标题需要了有力包管。本实行按照 BP神经收集的筑模办法,将实验数据坚守 700:68 的比例诀别为锤炼数据和展望数据,历程反复试验参数的安排,以及刷新的NSGA-II 算法的优化训练,结果定夺了 6-10-2 的汇集模型,创修了多目的优化的评价体例。 4.4.2 预测输出与生机输出曲线 为表明刷新的 NSGA-II 算法优化神经搜集输出偏差更小,正确度更高,实习取瞻望输出与欲望输出的偏差为契合度函数, 优先出版 计 算 机 应 用 研 究 第 35 卷 将算法改革前后的优化成果作出比照,最后如图 6、图 7 所示。图中横坐标是试验组样本序号(68 组考试样本),纵坐标“M1输出”展现输出变量 1(热负荷),“M2 输出”出现输出变量 2(冷负荷)。 0 10 20 30 40 50 60 700204060样本序号M1输出 期望输出展望输出0 10 20 30 40 50 60 700204060样本序号M2输出 图 6 古板的 NSGA-II 算法优化聚集输出曲线输出 愿望输出瞻望输出0 10 20 30 40 50 60 700204060样本序号M2输出 图 7 刷新的 NSGA-II 算法优化收集输出曲线 可知,与古板的 NSGA-II 比较,经刷新的NSGA-II 算法优化后,M1 和 M2 的预测输出曲线与巴望输出曲线符合度更高(几近重合),输出误差更小,表现出更强的多主意优化材干。 4.4.3 输出差错百分比 为没关系加倍直观的透露刷新算法的优化效率,实习统计并输出了误差百分比,它与输出误差的大小一一对应,最后示于图 8。 0 10 20 30 40 50 60 70-0.1-0.0500.050.1样本序号M1差错百分比 改进算法传统算法0 10 20 30 40 50 60 70-0.1-0.0500.050.1M2差错百分比样本序号 图 8 算法更始前、后的输出偏差百分比曲线 可知,算法革新后得到的输出偏差曲线尤其平缓,偏差昭彰减小:M1、M2 的输出偏差百分比均由 5%降至约 2%(以致更低),由此可知鼎新的算法提升了精度,优势明确。 4.5 Pareto 解集分布 为进一步验证改进算法的取优特质,诀别用命守旧的与鼎新的 NSGA-II 算法进程对两个方针(热负荷 M1,冷负荷 M2)举行优化揣测,以期在叙明刷新算法精良性的同时,博得使热负荷与冷负荷的能源结果同时到达最高的 Pareto 最优解集。解的漫衍如图 9、10 所示: 图 9 古板的 NSGA-II 算法 Pareto 漫衍 图 10 改革的 NSGA-II 算法 Pareto 分散 图中横坐标代表热负荷,纵坐标代表冷负荷。寓目图 9、10 可知,算法更始后,热负荷 M1 与冷负荷 M2 的主意空间都较传统的 NSGA-II 算法有较大扩展,其取得的 Pareto 最优解的漫衍也尤其匀称、不断,谈明了算法改进的须要性和合理性。 5 完结语 本文颠末介绍和分解眼前多宗旨优化题目中生活的诸多题目,在古代遗传算法的根蒂上提出了一种鼎新的非把握排序遗传算法。起源,为了普及多维数据的解决难度,操纵主职位明白方式,俭省了运算时间,提高了算法成绩;再次,诳骗 BP神经汇聚创立多方针优化模型,使隐约题目模范化;最后,提出改进的正态散布交织算子和自适宜治疗变异算子,使 Pareto最优解加倍平均赓续地分布,结尾到达多方针优化的宗旨。仿确凿验结尾证实,比较古代的 NSGA-II 算法,刷新的 NSGA-II算法多目的优化体例在有效性、高效性、无误性方面均有光显提升。在神经收集建模经过中,由于密集初始化参数建设的随机性,变成陶冶及拘谨时期稍长,在接下来的寻求中将会对其举行刷新优化。 参考文献 [1] 崔逊学. 基于多方针优化的进化算法探索[D]. 关肥: 中原科学本领大学, 2001. [2] 关志华. 多主意进化算法物色首先[J]. 石家庄经济学院学报, 2002, 25(2): 125-128. [3] 耿玉磊, 张翔. 多目标优化的求解方式与成长[J]. 机电才华, 2004, 优先出版 计 算 机 应 用 研 究 第 35 卷 27(B10): 105-108. [4] 林锉云. 多目的优化的式样与理论[M]. 吉林教养出版社, 1992. [5] Zadeh L. Optimality and non-scalar-valued performance criteria[J]. IEEE Trans on Automatic Control, 1963, 8(1): 59-60. [6] 胡毓达. 合用多主意最优化[M]. 上海: 上海科学才华出版社, 1990. [7] 张翔. 优化企图方法及编程[M]. 北京: 华夏农业大学出版社, 2001. [8] 童晶, 赵明旺. 高效求解 Pareto 最优前沿的多方针进化算法[J]. 谋划机仿线] Srinivas N, Deb K. Muiltiobjective optimization using nondominated sorting in genetic algorithms[J]. Evolutionary Computation, 1994, 2(3): 221-248. [10] 周明. 遗传算法谈理及行使[M]. 北京: 国防物业出版社, 1999. [11] 王晓鹏. 多主意优化策动中的Pareto遗传算法[J]. 系统工程与电子手腕, 2003, 25(12): 1558-1561. [12] Deb K, Pratap A, Agarwal S, et al. A fast and elitist multiobjective genetic algorithm: NSGA-II[J]. IEEE Trans on Evolutionary Computation, 2002, 6(2): 182-197. [13] Zitzler E, Thiele L. Multiobjective evolutionary algorithms: a comparative case study and the strength Pareto approach[J]. IEEE Trans on Evolutionary Computation, 2000, 3(4): 257-271. [14] Horn J, Nafpliotis N, Goldberg D E. A niched Pareto genetic algorithm for multiobjective optimization[C]// Proc of the 1st IEEE Conference on Evolutionary Computation & IEEE World Congress on Computational Intelligence. 1994: 82-87. [15] 张屹, 陈平, 万兴余. 基于正交希望 NSGA-Ⅱ算法的制动器多主意优化[J]. 算计机行使探索, 2016, 33(3): 720-725. [16] 冯翔, 杨红雨. 进港飞机改变多宗旨优化题目的改进 NSGA-II 算法[J]. 电子科技大学学报, 2014, 43(1): 66-70. [17] 蔡云骧, 周志勇, 徐小倩, 等. 一种基于精英策略非控制排序遗传算法-Ⅱ的多层吸波涂层构造绸缪式样[J]. 兵工学报, 2015, 36(8): 1574-1579. [18] Furtuna R, Curteanu S, Leon F. An elitist non-dominated sorting genetic algorithm enhanced with a neural network applied to the multi-objective optimization of a polysiloxane synthesis process[J]. Engineering Applications of Artificial Intelligence, 2011, 24(5): 772-785. [19] 余廷芳, 王林, 彭春华. 鼎新 NSGA-Ⅱ算法在锅炉燃烧多宗旨优化中的运用[J]. 计较机应用搜求, 2013, 30(1): 179-182. [20] 公茂果, 焦李成, 杨咚咚, 等. 进化多宗旨优化算法研究[J]. 软件学报, 2009, 20(2): 271-289. [21] 张敏, 罗文坚, 王煦法, 等. 一种基于正态分布交叉的-MOEA[J]. 软件学报, 2009, 20(2): 305-314.