论文摘要
在科学研究和工程设计中,存在着大量的多目标非线性问题,对这类问题的建模与优化一直是较难的课题,支持向量机作为一种专门研究小样本情况下机器学习规律的理论,比传统的统计学习理论和神经网络具有更好的泛化推广能力,能够很好的解决非线性问题的建模问题。进化算法是一种模拟自然进化过程的随机优化方法,同时也是一种全局性概率优化方法,用于多目标问题的进化算法不仅可以一次性获得多目标优化问题的大量Pareto最优解,而且其优化结果具有良好的一致性,因此多目标进化算法非常适合多目标优化问题的求解。本文通过对支持向量机原理的分析,在前人的工作基础上,提出了改进的支持向量机算法,即针对支持向量机中的参数难以选择的问题用差分进化算法来进行参数选择,数值实验表明改进的支持向量机算法能够很好的解决其参数选择问题。同时通过对多目标进化算法原理的分析与研究,结合目前两种较为先进的算法——非支配排序进化算法和多目标差分进化算法,加入多项式变异算子,提出了改进的多目标进化算法,函数测试表明改进的多目标进化算法在测试问题上优于非支配排序进化算法,能够很好的收敛于测试问题的Pareto前沿而且具有很好的均匀分布性。然后本文通过融合支持向量机与多目标进化算法,提出了一套多目标非线性问题的建模与优化的计算框架,函数测试显示性能良好。针对提出的计算框架,本文将其应用于一个实例——某钢铁企业的产品质量性能与影响因素建模与优化,结果显示较好的解决了其建模与优化的问题。本文最后结合企业的生产情况,给出了相应的生产建议,为企业产品质量改善提供了一种新的方法。