论文部分内容阅读
多目标优化问题是现实中普遍存在的优化问题,如果优化目标多于3个,则称为高维多目标优化问题。目标个数增加,一方面给高维多目标优化算法带来极大挑战,另一方面会对高维多目标算法求得的高维目标前沿的可视化造成困难,从而影响用户决策。因此,研究高维多目标优化的可视化技术,具有重要的学术意义和实际应用价值。本文基于高维多目标优化理论和可视化技术,重点研究了高维多目标优化的可视化技术。具体研究工作如下:①介绍了高维多目标优化问题的研究现状,并对高维多目标优化的相关概念、面临的挑战、研究方向等做了进一步阐述。同时,对可视化技术的数据分析方法和显示工具进行了详尽阐述。②提出了一种基于主成分分析(Principal ComponentAnalysis,PCA)的高维多目标优化的可视化技术。该方法结合了降维和非降维的数据分析技术,即采用基于降维的数据分析方法PCA,获取数据的特征,并以此来引导数据的重新排列和组织,而无需减少数据的维度,损失信息,最后利用热图显示数据。针对含有冗余的数据,该方法利用了数据的内部特征,又保留了数据的完整性,实验结果表明,该方法能够取得令人满意的可视化效果,可以有效帮助决策者决策。③提出了基于相似度排序的高维多目标优化的可视化方法,并设计了基于相似度之和最小的排序和用户偏好的排序两种策略。该方法利用热图作为显示工具,并直接用相似度来度量数据之间的关系,可避免类似PCA方法遇到的问题,即其使用受到数据是否存在冗余影响。基于相似度之和最小的排序策略利用目标之间相似度矩阵求最优序列对列排序,然后使用分级聚类算法数据行进行排序。基于相似度之和最小的排序策略相对复杂,计算量过大。基于用户偏好的排序策略则加入用户偏好因素,对目标和数据行按照同样的方法排列,相对简单,计算量小。实验结果表明,基于最小相似度之和的排序方法在热图显示效果、用户决策难易程度指标上有较好的表现,而基于偏好的排序方法在算法的复杂程度,用户参与程度方面有着独特的优势。④设计与开发了多目标优化平台。该系统界面友善,架构设计良好,接口设计合理,功能丰富,使用方便。系统包含众多主流的多目标优化算法和测试函数,同时具有良好的扩展能力。