基于深度卷积神经网络的复杂多目标规划问题机器学习方法

摘要：

针对多目标规划进化算法中测试函数的Pareto最优解集模式单一、种群多样性与算法收敛速度相互牵制等问题,设计了一种基于深度卷积神经网络的复杂多 目标规划问题的机器学习方法:在原像空间中,提出"部分精英集的Gauss采样+部分拉丁超立方采样"的混合采样新方法,其中部分样本以精英集中的Pareto最优解为中心进行Gauss采样以保证所获Pareto最优前沿不差于上一代,部分样本利用拉丁超立方采样以保证样本的多样性;在像空间中,利用基于深度卷积神经网络图像特定边缘提取直接获取Pareto最优前沿.为测试算法求解复杂多 目标规划问题的效率和普适性,将5个经典多目标规划问题进行改进(测试模型的最优Pareto解集具有随机性并增加了测试模型维度),利用该算法对5个改进模型进行了仿真试验,结果表明,算法对求解复杂多 目标规划问题的具有可行性且具有较高的计算效率.

关键词：深度卷积神经网络、复杂多目标规划问题、机器学习、智能采样

所属期刊栏目：19

分类号：O221.6(运筹学)

资助基金：国家自然科学基金;广东省智能决策与协同控制重点实验室开放课题

在线出版日期：2022-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：100-110