鉴于大家对英语论文十分关注，我们编辑小组在此为大家搜集整理了“题目：214.帕累托最优”一文，供大家参考学习
本站商品支持淘—宝交易（四钻信用卖家），拍拍，百度有啊交易，最低价格，先货后款，免费调试，可以按需订做。为保证在各学校的唯一性，售后登记学校名。 本站出售的计算论文翻译为保证论文内容在网络上搜索不到，本站涉及的翻译的更多的详细内容，不在网站上公布，有意向的同学请与在线客服联系，获取计算机论文翻译的资料。本外文翻译部分内容如下： 两个或更多目标（称之为“多目标”）的问题在工程和许多学科中普遍存在。解决这样的问题是困难的，因为他们的目标往往相互之间有冲突,这样就有必要给出一个最优的新概念。 十九世纪末，一个最优概念在经济学中已经发展起来。后来，这个最优概念在运筹学中被正式介绍并开始应用于解决多目标问题。在过去的几年，这项研究区域增长到几乎成为一个单独的运筹学分支来进行研究。 从历史上看,进化算法的研究专家第一次接触多目标优化是在20世纪60年代。然而，直到1985年才有第一个实际的算法的贡献。自那时起,该领域（现在称为“进化多目标优化”,或简称EMO）经历着一个重大的成长过程。 从在这个领域中形成的重要成果的前景，这一节介绍了EMO的一般概念。其余的章节如下顺序介绍：第二节介绍一些基本概念，这使得该节看起来是独立的。第三节，我们描述了多目标优化的起源以及在这个领域中进化算法的使用的简短概述。第四节描述EMO的初期形成，包括大约13年的状况和一些简单而使用的方法。第五节描述第二个阶段，包括我们当前研究的日子。最后，第六节提供一些看法，这些看法形成了本论文作者的观点，这看出我们将在未来的几年内继续对多目标问题的研究。第七节时本文的结论。 自20世纪50年代，运筹学（OR）研究组织就一直着手于近似求解多目标优化问题。目前，在运筹学文献中就广泛地应用各式各样的数学规划方法设法解决多目标优化问题（参见例[52，24]）。然而数学规划方法在解决多目标优化问题时存在一定的局限性。例如，当帕累托最优解集是凹集或断开时，数学规划方法就不能得到一个连续的帕累托前沿甚至求解不出最优解集。其它对多目标函数的可微性和约束性还有所要求。此外，先运行数学规划方法来找出初始点，之后这样类型的搜索通常是要最后的解要尽可能比较接近初始点。因此，数学规划方法很容易受到初始化值的影响，并且，每次数学规划的运行都寻要一个单一的非支配解作为初始化，所以要想得到几个帕累托最优解集集合的元素，就需要设置不同的初始点运行几次[52]。 进化算法（EAs）一直被发现在解决各式各样的（单目标）优化问题上是非常成功的[37，29，66，25]。运用进化算法去解决多目标优化问题好似自然选择如果我们考虑到它们的一些主要特征。进化算法是在一个解集上执行的（称之为“群体”），这样我们确信能找到帕累托最优解集的几个成员向量在进行简单的进化算法运行之后。此外，进化算法也不受帕累托前沿的形状和连续性的影响（例如,它们能轻易处理间断和凹性的帕累托前沿），也不需要任何关于衍生的目标和约束条件。 第一次能够使用进化算法解决多目标优化问题的提示是出现在1967年的一篇博士论文中，但是，论文中并没有形成实际的多目标进化算法（多目标问题是作为单目标问题的重申，是应用遗传算法来解决的）。虽然，自1983年很少提及试图用遗传算法解决多目标优化问题，但在19世纪80年代中期，David Schaffer 被普遍认为是第一个设计出多目标进化算法的人[64,65]。Schaffer方法，也称向量评价遗传算法，被认为是一个简单的应用改变机制的遗传算法。在每一代中，许多子种群依次根据每个目标函数通过选择比例遗传得到。然后这些子种群被混合在一起组成一个新的种群，在此过程中，通常情况下遗传算法都提供交叉和变异算子。向量评价遗传算法存在很多问题，其中重要的一个是执行算法时没有能力保留当中的可行解，多半是高于平均值，但是不存在对于任何一个目标函数来说非常优的解。这些解很可能称为非支配解中的候选解，但在接下的选择方案中不可能都幸存保留下来。 本题目的相关搜索：计算机论文外文翻译论文，计算机科学与技术外文翻译，计算机信息管理专业外文翻译，计算机软件专业外文翻译。 博宇电脑科技业务介绍：1.计算机毕业设计及计算机毕业论文订做服务。 2.企业网站，软件开发服务 。3.商业网站，商业软件源代码出售。 计算机毕业论文|计算机论文|计算机专业毕业论文 |
