项目名称: 基于多偏好与变量分解的大规模高维目标优化方法及应用研究

项目编号: No.61472366

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 其他

项目作者: 王丽萍

作者单位: 浙江工业大学

项目金额: 82万元

中文摘要: 许多实际应用问题往往同时含有高维目标和大规模变量。针对这类大规模高维目标优化问题,本项目立意将多偏好、变量分解与进化多目标优化相结合,对大规模高维目标优化问题的进化优化方法及其应用进行系统深入的研究。高维目标处理上,构建利用多偏好来同时指导解集排序和维持种群多样性的整体策略;大规模变量处理上,提出面向进化多目标优化的变量分解及协同优化方法;高效进化算法上,以粒子群优化算法为对象,建立不完全依赖于适应度函数值的新个体评价机制及其融合方法;方法应用上,研究新型多目标优化方法在大规模物流网络优化中的应用。本项目的创新之处在于,利用多偏好来同时指导解集排序和维持种群多样性,提出面向大规模多目标优化问题关联变量的识别方法,为大规模物流网络优化等实际应用问题提供新方法。项目的研究将为复杂多目标优化问题的求解提供新的思路,让研究同行对利用多偏好引导和变量分解来解决大规模高维目标优化问题有更深入和更全面的认识。

中文关键词: 进化计算;多目标优化;数据挖掘;复杂网络

英文摘要: Many real-world problems contain both many-objective and large-scale variables. For these large-scale many-objective optimization problems, this project would combine multiple preferences and variable decomposition within Evolutionary Multi-objective Optimization (EMO) to study EMO-based large-scale many-objective optimization method and its application. Firstly, in many-objective handling, the integration strategy that using multiple preferences to guide solution ranking and maintain population diversity is constructed. Secondly, in large-scale variables handling, an EMO-oriented variable decomposition and co-optimization method is proposed. Thirdly, a new individual evaluation method that isn't fully depend on fitness function values is proposed for Particle Swarm Optimizer (PSO). Finally, the new EMO method is applied in heterogeneous network clustering. The main contributions of this research are, utilizing multiple preferences to guide solution ranking and keep population diversity, proposing a variable decomposition for large-scale multi-objective optimization problem and providing new method for solving heterogeneous network clustering and other real-world problems. This research would provide new thinking for solving complex multi-objective optimization problem, and make other researchers have a better understanding on solving large-scale many-objective optimization problems using multiple preferences and variable decomposition.

英文关键词: Evolutionary Computation;Multi-objective Optimization;Data Mining;Complex Network

成为VIP会员查看完整内容
0

相关内容

【博士论文】分形计算系统
专知会员服务
33+阅读 · 2021年12月9日
【AAAI2022】通过自适应聚类关系建模的无监督行人再识别
【博士论文】推荐系统多行为建模与隐私保护研究
专知会员服务
52+阅读 · 2021年11月27日
专知会员服务
24+阅读 · 2021年9月19日
逆优化: 理论与应用
专知会员服务
36+阅读 · 2021年9月13日
专知会员服务
87+阅读 · 2021年9月4日
专知会员服务
24+阅读 · 2021年4月21日
专知会员服务
28+阅读 · 2021年2月17日
论文浅尝 - ACL2022 | 面向推理阅读理解的神经符号方法
开放知识图谱
1+阅读 · 2022年3月21日
WWW2022 | 推荐系统中的特征自动提取
图与推荐
1+阅读 · 2022年2月24日
基于多目标优化的推荐系统综述
机器学习与推荐算法
6+阅读 · 2021年12月27日
SIGIR2021 | 基于排序的推荐系统度量优化新视角
机器学习与推荐算法
1+阅读 · 2021年12月6日
WSDM2022 | 跨领域推荐中的个性化迁移用户兴趣偏好
机器学习与推荐算法
1+阅读 · 2021年11月3日
【WWW2021】 大规模组合K推荐
专知
0+阅读 · 2021年5月3日
从模型到应用,一文读懂因子分解机
AI100
10+阅读 · 2019年9月6日
国家自然科学基金
7+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月20日
SkiQL: A Unified Schema Query Language
Arxiv
0+阅读 · 2022年4月19日
Arxiv
15+阅读 · 2021年2月19日
Deformable Style Transfer
Arxiv
14+阅读 · 2020年3月24日
A Multi-Objective Deep Reinforcement Learning Framework
小贴士
相关VIP内容
【博士论文】分形计算系统
专知会员服务
33+阅读 · 2021年12月9日
【AAAI2022】通过自适应聚类关系建模的无监督行人再识别
【博士论文】推荐系统多行为建模与隐私保护研究
专知会员服务
52+阅读 · 2021年11月27日
专知会员服务
24+阅读 · 2021年9月19日
逆优化: 理论与应用
专知会员服务
36+阅读 · 2021年9月13日
专知会员服务
87+阅读 · 2021年9月4日
专知会员服务
24+阅读 · 2021年4月21日
专知会员服务
28+阅读 · 2021年2月17日
相关资讯
论文浅尝 - ACL2022 | 面向推理阅读理解的神经符号方法
开放知识图谱
1+阅读 · 2022年3月21日
WWW2022 | 推荐系统中的特征自动提取
图与推荐
1+阅读 · 2022年2月24日
基于多目标优化的推荐系统综述
机器学习与推荐算法
6+阅读 · 2021年12月27日
SIGIR2021 | 基于排序的推荐系统度量优化新视角
机器学习与推荐算法
1+阅读 · 2021年12月6日
WSDM2022 | 跨领域推荐中的个性化迁移用户兴趣偏好
机器学习与推荐算法
1+阅读 · 2021年11月3日
【WWW2021】 大规模组合K推荐
专知
0+阅读 · 2021年5月3日
从模型到应用,一文读懂因子分解机
AI100
10+阅读 · 2019年9月6日
相关基金
国家自然科学基金
7+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员