基于pca的高维多目标优化算法研究-计算机系统结构专业论文.docxVIP

重庆大学硕士学位论文 英文摘要  PAGE 6 Thirdly, In order to verify the feasibility of the algorithms in practical application, this thesis applies COPCA-NSGA-II and PCA-dominant mechanism into virtual machine allocation in cloud computing. The experimental results show that these two algorithms can reach a satisfactory solution set in optimizing a simplified model having five objectives, which validates the feasibility and effectiveness of the proposed algorithms in practical applications. Keywords：Many-objective optimization, Non-dominated solution, PCA, Objective dimension reduction, Dominant mechanism. 重庆大学硕士学位论文 目 录 目 录 中文摘要 I 英文摘要 III  HYPERLINK \l _bookmark0 1 绪 论1  HYPERLINK \l _bookmark1 1.1 研究背景、目的及意义 1  HYPERLINK \l _bookmark2 1.2 多目标优化的研究概述 2  HYPERLINK \l _bookmark3 1.2.1 国内外研究现状 2  HYPERLINK \l _bookmark4 1.2.2 高维多目标优化的研究现状 4  HYPERLINK \l _bookmark5 1.3 论文的主要研究内容及创新之处 5  HYPERLINK \l _bookmark6 1.3.1 论文的主要研究内容 5  HYPERLINK \l _bookmark7 1.3.2 论文的创新之处 6  HYPERLINK \l _bookmark8 1.4 论文的组织结构 6  HYPERLINK \l _bookmark9 2 高维多目标优化算法简介8  HYPERLINK \l _bookmark10 2.1 高维多目标优化问题 8  HYPERLINK \l _bookmark11 2.1.1 基本概念 8  HYPERLINK \l _bookmark12 2.1.2 高维多目标优化问题的特征 9  HYPERLINK \l _bookmark13 2.2 高维多目标优化的目标降维算法 10  HYPERLINK \l _bookmark14 2.2.1 基于主要成分分析的目标降维算法 10  HYPERLINK \l _bookmark15 2.2.2 基于最小目标子集的目标降维算法 11  HYPERLINK \l _bookmark16 2.2.3 基于特征选择的目标降维算法 12  HYPERLINK \l _bookmark17 2.2.4 几种目标降维算法的比较分析 13  HYPERLINK \l _bookmark18 2.3 高维多目标优化的占优机制 13 TOC \o 1-1 \h \z \u  HYPERLINK \l _bookmark19 2.3.1 结合偏好信息的 Pareto 支配方法 13  HYPERLINK \l _bookmark20 松散 Pareto 支配方法 14  HYPERLINK \l _bookmark21 非 Pareto 支配方法 14   HYPERLINK \l _bookmark22 2.4 高维多目标优化算法测试函数 14  HYPERLINK \l _bookmark23 2.4.1 测试函数 14  HYPERLINK \l _bookmark24 2.4.2 测试指标 15  HYPERLINK \l _bookmark25 2.5 本章小结 16  HYPERLINK \l _bookmark26 3 一种基于 PCA 的改进目标降维算法 17  HYPERLINK \l _bookmark27 3.1 引言 17  HYPERLIN