排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
基于分解的超多目标进化算法是求解各类超多目标优化问题的主流方法, 其性能在很大程度上依赖于所采用参考向量与真实帕累托前沿面(Pareto front, PF)的匹配程度. 现有基于分解的超多目标进化算法尚难以同时有效处理各类PF不同的优化问题. 为此, 提出了一种基于PF曲率预估的超多目标进化算法(MaOEA-CE). 所提算法的核心包括两个方面, 首先基于对PF曲率的预估, 在每次迭代过程中生成不同的参考向量, 以渐进匹配不同类型问题的真实PF; 其次在环境选择过程中, 再基于预估的曲率选择合适的聚合函数对精英解进行挑选, 并对参考向量进行动态调整, 在维护种群多样性的同时提升种群的收敛性. 为验证MaOEA-CE的有效性, 将其与7个先进的超多目标算法在3个主流测试问题集DTLZ、WFG和MaF上进行对比, 实验结果表明MaOEA-CE具有明显的竞争力. 相似文献
2.
对G115钢进行1065~1120℃不同温度的正火处理,研究其显微组织和室温拉伸性能。结果表明:正火温度由1065℃升至1075℃时,抗拉强度由802.91 MPa降至741.15 MPa;正火温度由1075℃升至1105℃时,抗拉强度出现一个"平台",约为798.97 MPa;当正火温度由1105℃升至1120℃时,抗拉强度降至745.13 MPa,屈服强度的变化规律与抗拉强度相似;随正火温度由1065℃升至1095℃,G115钢原奥氏体平均晶粒尺寸由38.40μm减小至34.45μm左右,在1075℃至1095℃亦出现个"平台";当温度升至1120℃时,原奥氏体平均晶粒尺寸为67.64μm。不同正火温度试样均发现较多的富W和Fe元素的Laves相。 相似文献
1