论文部分内容阅读
从上世纪60年代开始，多目标问题吸引了越来越多不同背景研究人员的注意力。多目标优化问题在现实世界中的普遍存在性以及求解的困难性，促使人们付出了很多精力来寻求解决的方法。 进化多目标优化(EMO)算法是近年来发展起来的一种利用进化计算方法求解多目标优化问题的新的优化算法，而随着进化算法的提出和研究的不断深入，使得其作为解决多目标优化问题的新方法受到了相当的关注，并逐步发展成为有效解决多目标优化问题的重要技术。 本文首先对国内外进化多目标领域的研究现状和研究方法进行了总结，接着详细介绍了DE算法和NSGA-II算法的原理和具体流程，并据此提出了一种基于DE和NSGA-II的进化多目标优化算法。该算法在DE算法和NSGA-II算法的理论基础上，保留了NSGA-II的快速非支配排序和种群多样性保持策略，利用差分方式取代NSGA-II中的模拟二进制交叉和多项式变异操作，从而产生子代个体。在第三章和第四章中，我们把本文提出的算法应用到多目标聚类及图像分割任务上，通过仿真实验验证了本文算法的有效性。