基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法

针对多目标粒子群优化算法全局最优位置〖BP(〗(gbest)〖BP)〗选取存在的缺陷和局部搜索能力弱的缺点,提出一种基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法MOPSO-GL。首先对Sigma法进行改进,引入拥挤距离机制,不再是粒子从档案中选择全局最优位置,而是档案成员从种群中选择合适的被引导粒子,引导种群均匀快速地向Pareto前沿飞行,提高了Pareto解的收敛性和多样性;其次当种群寻优能力减弱时,引入基于Skew Tent映射的变尺度全面搜索混沌优化策略对外部档案进行局部搜索,以提高算法的收敛性;最后通过与其他多目标优化算法的比较,结果表明MOPSO-GL具有更好的收敛性和分布性。     

多策略改进的多目标粒子群优化算法

为了进一步提高多目标粒子群优化算法的收敛性和多样性,提出一种多策略改进的多目标粒子群优化算法.建立具有精英粒子领导的异构更新模式并设置个体学习增强因子项,促使种群能够快速寻找真实Pareto最优解.引入外部档案冗余机制,利用其变异及对种群的干扰策略增强解的多样性,避免算法早熟现象的发生.仿真实验结果表明,与其他几种优化算法相比,所提出的算法表现出较好的收敛性和多样性.     

基于多策略的多目标粒子群优化算法

针对目前多目标粒子群优化算法的收敛性能和非劣解的多样性不能同时得到满足等缺陷,提出一种基于多策略的多目标粒子群优化算法（Multi-Objective Particle Swarm Optimization algorithm for Multi-Strategy,MS-MOPSO）。采用非支配排序和拥挤距离排序相结合策略,重新划分外部种群和进化种群;采用小生境选择策略,在外部种群中选择最佳粒子作为领导粒子,用于领导进化种群中粒子的进化;在进化种群中利用多尺度高斯变异策略,平衡算法的全局搜索和局部精确搜索;采用邻域认知个体极值更新策略,不断更新个体极值。将该算法应用到典型的多目标测试函数,并与其他多目标优化算法进行对比分析,测试结果表明该算法中四个策略的有效性和互补性,同时验证了该算法不但具有较好的收敛性和收敛速度,而且该算法最优解的分布具有良好的均匀性和多样性。     

基于融合多策略改进的多目标粒子群优化算法

为进一步提高多目标粒子群算法的收敛性和多样性,提出一种多策略融合改进的多目标粒子群优化算法.首先,引入分解思想以增加Pareto解集的多样性;然后,在速度和位置更新时,引入“多点”变异,即随着迭代次数的递增,根据相应判据对位置的更新作出不同的变异,避免算法早熟现象的发生;最后,将更新后种群和最优解集进行非支配排序,最优解放入精英外部存档.仿真实验结果表明,与另外4种进化算法对比,所提出算法表现出良好的整体性能.     

自适应进化多目标粒子群优化算法

提出一种自适应进化粒子群优化算法以求解多目标优化问题．采用非支配排序策略和动态加权法选择最优粒子,引导种群飞行,提高Ｐａｒｅｔｏ解的多样性．采用动态惯性权重,提高其全局寻优能力．当种群的寻优能力减弱时,采用变异操作以引导粒子群跳出局部最优．通过ＺＤＴ１～ＺＤＴ４ 基准函数验证,该算法能够在保持优化解多样性的同时实现较好的收敛性．与其他多目标进化算法和多目标粒子群优化算法相比,该算法具有较好的性能．     

自组织多目标粒子群优化算法

针对多目标粒子群优化算法收敛性和多样性难以平衡的问题,提出一种利用问题的结构信息来解决多目标问题的自组织多目标粒子群算法。通过自组织映射网络发现种群和非支配解集分布的结构,构造出当前粒子的邻域关系,从邻域中选出非支配解,从而引导种群局部和全局的搜索。提出了精英学习策略,通过对精英粒子进行变异,引导算法跳出局部最优。实验结果表明,所提算法可以兼顾收敛性和多样性,有效地解决多目标优化问题。     

自适应种群更新策略的多目标粒子群算法

针对粒子种群较差的局部搜索能力,提出了一种自适应种群更新策略的多目标粒子群算法。该算法在每次种群进行迭代时,根据种群的多样性测度以及每个粒子的适应度值,自适应地改变速度权重,以此来提高种群粒子在局部搜索时的活性,使算法具有较强的局部搜索能力同时又保留了足够的全局搜索能力。最后利用多组经典测试样例进行仿真,并与传统的粒子群算法以及速度线性衰减算法做比较,在单目标优化中,自适应粒子群算法能够更快地寻找最优位置;在多目标优化中,自适应粒子群算法能够更快速地收敛于帕累托最优边界。     

一种新的多目标粒子群优化算法

论文提出了一种基于拥挤度和动态惯性权重聚合的多目标粒子群优化算法,该算法采用Pareto支配关系来更新粒子的个体最优值,用外部存档策略保存搜索过程中发现的非支配解;采用适应值拥挤度裁剪归档中的非支配解,并从归档中的稀松区域随机选取精英作为粒子的全局最优位置,以保持解的多样性;采用动态惯性权重聚合的方法以使算法尽可能地逼近各目标的最优解。仿真结果表明,该算法性能较好,能很好地求解多目标优化问题。     

多目标优化问题的粒子群算法仿真研究*

研究了一种用于求解多目标优化问题的粒子群算法(CMMOPSO)。该算法采用外部存档存储每一代产生的非劣解, 并且采用拥挤距离来维持外部存档规模, 同时提出一种新的全局最优粒子的选取策略(基于拥挤距离和收敛性距离)来提升粒子向Pareto前沿飞行的概率;为提升种群跳出局部最优解的能力, 以一定的概率对外部存档中粒子进行变异操作。通过典型的多目标测试函数对提出的算法进行检测, 结果表明,CMMOPSO算法在求解多目标问题上有一定的优势。因此, CMMOPSO可以作为求解多目标优化问题的有效算法。     

基于分解和差分进化的多目标粒子群优化算法

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.     

基于平衡搜索策略的多目标粒子群优化算法*

鉴于平衡全局和局部搜索在多目标粒子群优化算法获取完整均匀Pareto最优前沿方面的重要性,设计平衡全局和局部搜索策略,进而提出改进的多目标粒子群优化算法(bsMOPSO).文中策略在局部搜索方面设计归档集自挖掘子策略,通过对归档集中均匀分布的部分粒子进行柯西扰动,使归档集涵盖整个前沿面的局部搜索.在全局搜索方面设计边界最优粒子引导搜索子策略,以边界最优粒子替换部分粒子的全局最优解,引导粒子向各维目标的边界区域搜索.选取4种对比算法在ZDT和DTLZ系列的部分测试函数上进行实验,结果表明bsMOPSO具有更快的Pareto最优前沿收敛效率和更好的分布性.     

基于随机黑洞和逐步淘汰策略的多目标粒子群优化算法

提出一种基于随机黑洞粒子群算法(RBH-PSO) 和逐步淘汰策略的多目标粒子群优化(MRBHPSO-SE) 算法. 利用RBH-PSO 全局优化能力强和收敛速度快的优点逼近Pareto 最优解; 为了避免拥挤距离排序策略的缺陷, 提出逐步淘汰策略, 并将其应用到下一代粒子的选择策略中. 同时, 动态选择领导粒子, 运用动态惯性权重系数和变异操作 来增强种群全局寻优能力, 以及避免早熟收敛. 利用具有不同特点的测试函数进行验证, 结果表明, 与同类算法相比, 该算法具有较高的精度并兼顾优化解的多样性.

     

一种自适应多策略行为粒子群优化算法

针对粒子群优化算法收敛速度慢、局部搜索能力差等缺点,提出一种自适应多策略行为粒子群优化算法.算法中每个粒子拥有4种行为进化策略,在迭代过程中通过计算每种进化策略的立即价值、未来价值和综合奖励来决定粒子的进化行为,并通过策略行为概率变异算法提升个体寻优速度或避免陷入局部最优解.在经典的基准测试函数上,对新算法与其他7个群智能进化算法的测试结果进行比较分析,结果表明所提出算法具有很好的求解精度和收敛速度,尤其适合应用于一些高维优化问题.     

一种多粒子群协同进化算法

为进一步提高多粒子群协同进化算法的寻优精度, 并有效改善粒子群易陷入局部极值及收敛速度慢的问题, 结合遗传算法较强的全局搜索能力和极值优化算法的局部搜索能力, 提出了一种改进的多粒子群协同进化算法. 对粒子群优化算法提出改进策略, 并在种群进化过程中, 利用遗传算法增加粒子的多样性及优良性, 经过一定次数的迭代, 利用极值优化算法加快收敛速度. 实验结果表明该算法具有较好的性能, 能够摆脱陷入局部极值点的问题, 并具有较快的收敛速度.     

含区间参数多目标系统的微粒群优化算法

参数不确定优化问题是实践中经常遇到的复杂优化问题, 现有方法多针对单目标函数的情况. 本文利用微粒群优化算法解决含区间参数多目标优化问题, 提出一种基于概率支配的多目标微粒群优化算法. 该算法通过定义概率支配关系, 比较所得解的优劣; 基于 σ 区间值, 选择微粒的全局极值点, 并给出新的微粒个体极值点及外部储备集的更新策略. 与传统多目标微粒群优化算法比较, 仿真结果表明本文所提算法的有效性.     

基于目标空间分解和连续变异的多目标粒子群算法

针对当前多目标粒子群优化算法收敛性和多样性不佳等问题,提出了一种基于目标空间分解和连续变异的多目标粒子群优化算法。利用目标空间分解方法将粒子群分配到预先设定好的子区域中,在该过程中,通过一种新适应值公式来对每个子区域中的粒子进行择优筛选,该适应值公式融入了支配强度因素;在全局搜索过程中,使用差分变异、高斯变异和柯西变异对全局引导粒子的位置进行连续变异操作。将该算法与当前主流的一些多目标优化算法进行对比实验,结果表明,本文提出的算法在提高粒子收敛性的同时,多样性也得到了提升。     

基于粒子记忆体的多目标微粒群算法*

针对多目标微粒群算法(MOPSO)解的多样性分布问题,提出一种基于粒子记忆体的多目标微粒群算法(dp-MOPSO)。dp-MOPSO算法为每个微粒分配一个记忆体,保存寻优过程中搜索到的非支配pbest集,以避免搜索信息的丢失。采用外部存档保存种群搜索到的所有Pareto解,并引入动态邻域的策略从外部存档中选择全局最优解。利用几个典型的多目标测试函数对dp-MOPSO算法的性能进行测试,并与两种著名的多目标进化算法m-DNPSO、SPEA2进行比较。实验结果表明,dp-MOPSO算法可以更好地逼近真实Pareto沿,同时所得Pareto解分布更均匀。     

一种含驻留粒子的改进粒子群算法

为了避免粒子群算法过早收敛,提出一种包含局部驻留粒子的改进粒子群算法（CRPSO）。该算法将基本的粒子群算法的粒子称为主粒子,而当算法每找到一个新的全体最优点之后,将会在这个最优点附近产生几个称为驻留粒子的搜索粒子。2种粒子分工协作,主粒子负责全局搜索而驻留粒子负责局部搜索。驻留粒子帮助主粒子群避免过早收敛,提高整个粒子群多样性。仿真结果表明,该算法能有效地改善粒子群算法在非线性全局优化问题上的早熟现象,增强粒子群算法的全局搜索能力。     

独立自适应调整参数的粒子群优化算法

针对传统粒子群优化算法在求解复杂优化问题时易陷入局部最优和依赖参数的取值等问题,提出了一种独立自适应参数调整的粒子群优化算法。算法重新定义了粒子进化能力、种群进化能力以及进化率,在此基础上给出了粒子群惯性权重及学习因子的独立调整策略,更好地平衡了算法局部搜索与全局搜索的能力。为保持种群多样性,提高粒子向全局最优位置的收敛速度,在算法迭代过程中,采用粒子重构策略使种群中进化能力较弱的粒子向进化能力较强的粒子进行学习,重新构造生成新粒子。最后通过CEC2013中的10个基准测试函数与4种改进粒子群算法在不同维度下进行测试对比,实验结果验证了该算法在求解复杂函数时具有高效性,通过收敛性分析说明了算法的有效性。