基于自适应学习的多目标粒子群优化算法

将进化算法应用于某些多目标优化问题时,采用增加种群规模和进化代数的方法往往耗费大量的目标函数计算开销,且达不到提高种群进化效率的目的,为此提出了一种基于自适应学习最优搜索方向的多目标粒子群优化算法。采用自适应惯性权值平衡算法的全局和局部搜索能力,采用聚类排挤方法保持Pareto非支配解集的分布均匀性,使用最近邻学习方法为每个粒子在Pareto非支配解集中寻找一个最优飞行目标来提高其收敛速度并保持粒子群搜索方向的多样性。实验结果表明,提出的算法可在显著地降低函数评估成本的前提下实现快速的搜索,并使粒子群均匀地逼近Pareto最优面。     

用最近邻分类方法预测多目标优化d-Pareto支配性

为进一步提高预测精度, 修改候选解间原始Pareto支配性关系, 提出了d-Pareto支配性最近邻预测方法。结合多目标优化的自身特点, 给出了d-Pareto支配性最近邻预测框架, 并论证了d-Pareto支配性预测比Pareto支配性预测具有低平均预测错误率。同时也初步研究了d-Pareto支配性预测与多目标进化算法的交互作用。对几个经典多目标优化问题进行实验, 仿真结果表明d-Pareto支配性预测具有一定的可行性和有效性。     

基于语义对象报表工具的实现

现有报表工具对于处理中国式报表具有一定的困难.对国内外报表工具的优缺点进行分析,提出一个新的报表模型.通过引入语义对象的概念,屏蔽了复杂数据源的异构性;利用定义一种可嵌套的描述语言,解决了报表格式复杂多变的特点.最后通过实例,证明此模型能够满足中国式报表的需求,同时具有扩展性、可重用性和易操作性.     

基于等价分量交叉相似性的Pareto支配性预测

研究用最近邻分类预测多目标优化问题Pareto支配性的相似性测度方法. 在分析决策分量对各目标分量贡献率的基础上定义决策向量的等价子向量,等价子向量由贡献率相同的决策分量所组成.提出基于等价子向量的最小交叉距离加 权和相似性测度方法.对每个目标分量,独立评价待测数据与N个已知样本的相似度,每个样本按其相似度值的升序赋予[0:N-1]之间的序号,按各目标上的序号之和最小准则确定最近邻样本.等价子向量最小交叉距离加权和相似性测度以及多目标最近邻搜索方法在确定决策向量相似性时,引入了决策空间到目标向量空间的映射知识,使决策变量相似性测度更真实地反映目标向量相似性.对典型多目标优化问题的Pareto支配性最近邻分类实验结果表明,提出的方法可显著地提高分类准确性.