将基于分解的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)应用于工程优化问题时,由于各目标函数在数量级及量纲上的不同,需要对目标函数进行归一化处理.首先,采用一种自适应ε约束差分进化...将基于分解的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)应用于工程优化问题时,由于各目标函数在数量级及量纲上的不同,需要对目标函数进行归一化处理.首先,采用一种自适应ε约束差分进化算法(εConstrained Differential Evolution,εDE)寻找各个目标在Pareto前沿上的最大值和最小值,利用这些值对各目标进行归一化处理;然后,用MOEA/D进行求解,并在算法中加入了自适应ε约束处理技术;最后,采用一个标准测试问题和一个焊接梁设计优化问题对该算法进行测试,并与其他两种归一化方法进行了比较.根据提出的方法,MOEA/D能对Pareto前沿的一端进行集中优化,因而能处理一些Pareto前沿两端难以优化的问题.展开更多
提出一种光强-波长模型和径向基函数网络(radial basis function network,RBFN)相融合的光谱共焦信号峰值提取算法,简称RBFN-I-λ。首先通过高斯拟合法拟合离散光谱响应信号的差分信号粗略得到初始峰值波长,然后基于泰勒近似法得到理想...提出一种光强-波长模型和径向基函数网络(radial basis function network,RBFN)相融合的光谱共焦信号峰值提取算法,简称RBFN-I-λ。首先通过高斯拟合法拟合离散光谱响应信号的差分信号粗略得到初始峰值波长,然后基于泰勒近似法得到理想峰值波长并计算初始峰值波长和理想峰值波长之间的波长差,最后利用RBFN-I-λ建立光谱共焦响应信号与波长描述误差之间的映射关系。实验结果表明,RBFN-I-λ算法的精度与传统抛物线法、质心法和高斯拟合法等方法相比,至少提升30%。展开更多
文摘将基于分解的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)应用于工程优化问题时,由于各目标函数在数量级及量纲上的不同,需要对目标函数进行归一化处理.首先,采用一种自适应ε约束差分进化算法(εConstrained Differential Evolution,εDE)寻找各个目标在Pareto前沿上的最大值和最小值,利用这些值对各目标进行归一化处理;然后,用MOEA/D进行求解,并在算法中加入了自适应ε约束处理技术;最后,采用一个标准测试问题和一个焊接梁设计优化问题对该算法进行测试,并与其他两种归一化方法进行了比较.根据提出的方法,MOEA/D能对Pareto前沿的一端进行集中优化,因而能处理一些Pareto前沿两端难以优化的问题.
文摘提出一种光强-波长模型和径向基函数网络(radial basis function network,RBFN)相融合的光谱共焦信号峰值提取算法,简称RBFN-I-λ。首先通过高斯拟合法拟合离散光谱响应信号的差分信号粗略得到初始峰值波长,然后基于泰勒近似法得到理想峰值波长并计算初始峰值波长和理想峰值波长之间的波长差,最后利用RBFN-I-λ建立光谱共焦响应信号与波长描述误差之间的映射关系。实验结果表明,RBFN-I-λ算法的精度与传统抛物线法、质心法和高斯拟合法等方法相比,至少提升30%。
