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.     

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.     

基于定期竞争学习的多目标粒子群优化算法

为提高种群的多样性和算法的收敛性，提出一种基于定期竞争学习机制的多目标粒子群算法。该算法将多目标粒子群算法和竞争学习机制相结合，即每隔一定迭代代数便使用一次竞争学习机制，很好地保持了种群的多样性；同时，该算法不需要全局最优粒子的外部存档，而是从当前代种群中选取一部分优秀的粒子，再从这些优秀的粒子中随机选取一个作为全局最优粒子，能够有效提升算法的收敛性。将提出的算法与基于分解的多目标粒子群算法（MPSOD）、基于竞争机制且快速收敛的多目标粒子群（CMOPSO）算法、参考向量引导的多目标进化算法（RVEA）等8个算法在21个标准测试函数上进行了比较，结果表明，所提算法的帕累托（Pareto）前沿更加均匀，在世代距离（IGD）上会更加小。     

混合分解的多目标粒子群优化算法

针对多目标粒子群算法全局最优值的选取缺陷以及多样性保留缺陷,提出了一种基于分解和拥挤距离的多目标粒子群优化算法(Smoeadpso).算法采用切比雪夫分解机制,将邻居向量对应的子问题的中的最优解来作为某个粒子全局最优值的候选解了更有效限制粒子飞行速度以避免粒子飞行超出解空间界限,引入了新的速度限制因子维持了种群多样性.本文算法与经典的多目标进化算法在10个测试函数上的对比结果表明, Smoeadpso求得的Pareto解集与真实Pareto解集的逼近程度有明显提升并且对于3目标问题求解的均匀性也比同类粒子群算法优秀.     

综合密度信息的矢量变异多目标粒子群优化

粒子群优化算法求解多目标优化问题存在早熟收敛和后期收敛速性差的不足,解的分布性也有待提高。为此设计一种新的多目标粒子群优化算法：对寻求粒子最优解的sigma方法进行改进,提出一种综合非支配解密度信息和sigma值的最优解求解机制。对变异粒子速度进行矢量扰动变异;对停滞粒子进行位置变异,有效避免算法的早熟收敛问题。测试结果表明,所提出的算法在收敛性和解的分布性、多样性方面较经典的算法具有明显的优势。     

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。     

基于QPSO 和拥挤距离排序的多目标量子粒子群优化算法

为了提高多目标优化算法的收敛性、分布性和减少算法的计算代价,提出一种基于量子行为特性的粒子群优化(QPSO)和拥挤距离排序的多目标量子粒子群优化(MOQPSO-CD)算法.MOQPSO-CD利用QPSO快速接近真实的Pareto最优解,同时引入高斯变异算子以增强解的多样性.采用拥挤距离排序的方法对外部存储器中最优解进行更新和维护,使得从中选择的具有全局最优的领导粒子能够引导粒子群最终找到真实的Pareto最优解.仿真结果表明,MOQPSO-CD具有更好的收敛性和更均匀的分布性.     

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。     

基于Pareto熵的多目标粒子群优化算法

粒子群优化算法因形式简洁、收敛快速和参数调节机制灵活等优点,同时一次运行可得到多个解,且能逼近非凸或不连续的Pareto最优前端,因而被认为是求解多目标优化问题最具潜力的方法之一.但当粒子群优化算法从单目标问题扩展到多目标问题时,Pareto最优解集的存储与维护、全局和个体最优解的选择以及开发与开采的平衡等问题亦随之出现.通过目标空间变换方法,采用Pareto前端在被称为平行格坐标系统的新目标空间中的分布熵及差熵评估种群的多样性及进化状态,并以此为反馈信息来设计进化策略,使得算法能够兼顾近似Pareto前端的收敛性和多样性.同时,引入格占优和格距离密度的概念来评估Pareto最优解的个体环境适应度,以此建立外部档案更新方法和全局最优解选择机制,最终形成了基于Pareto熵的多目标粒子群优化算法.实验结果表明：在IGD性能指标上,与另外8种对等算法相比,该算法在由ZDT和DTLZ系列组成的12个多目标测试问题集中表现出了显著的性能优势.     

基于BQPSO的电网多目标优化规划

对于多目标电网优化规划问题,建立以经济性和可靠性为目标的电网规划模型,通过二进制编码的量子粒子群算法进行优化。为了提高最优解的多样性和分布性,采用拥挤距离排序的方法对外部存储器中的最优解进行更新和维护,使得算法找到尽可能多的Pareto最优解。仿真结果显示,基于拥挤距离排序的二进制量子粒子群算法比其他智能算法寻得的最优解有更好的分布性和收敛性。     

基于种群分区的多策略自适应多目标粒子群算法

在多目标粒子群优化算法中, 平衡算法收敛性和多样性是获得良好分布和高精度Pareto前沿的关键, 多数已提出的方法仅依靠一种策略引导粒子搜索, 在解决复杂问题时算法收敛性和多样性不足. 为解决这一问题, 提出一种基于种群分区的多策略自适应多目标粒子群优化算法. 采用粒子收敛性贡献对算法环境进行检测, 自适应调整粒子的探索和开发过程; 为准确制定不同性能的粒子的搜索策略, 提出一种多策略的全局最优粒子选取方法和多策略的变异方法, 根据粒子的收敛性评价指标, 将种群划分为3个区域, 将粒子性能与算法寻优过程结合, 提升种群中各个粒子的搜索效率; 为解决因选取的个体最优粒子不能有效指导粒子飞行方向, 使算法停滞, 陷入局部最优的问题, 提出一种带有记忆区间的个体最优粒子选取方法, 提升个体最优粒子选取的可靠性并加快粒子收敛过程; 采用包含双性能测度的融合指标维护外部存档, 避免仅根据粒子密度对外部存档维护时, 删除收敛性较好的粒子, 导致种群产生退化, 影响粒子开发能力. 仿真实验结果表明, 与其他几种多目标优化算法相比, 该算法具有良好的收敛性和多样性.     

一种基于粒子群算法的改进多目标文化算法

提出一种基于粒子群算法的改进多目标文化算法并用于求解多目标优化问题.算法中群体空间采用多目标粒子群优化算法进行演化;信念空间通过对形势知识、规范化知识和历史知识的重新定义使之符合多目标优化问题;信念空间和群体空间的交互通过自适应的接受操作和影响操作来实现.若干多目标标准测试函数的仿真结果表明,改进多目标文化算法能够在保持Pareto解集多样性的同时具有较好的均匀性和收敛性.     

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.     

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.

     

星型结构的多目标粒子群算法求解多模态多目标问题

首先,根据多目标粒子群算法中的粒子结构信息,利用非支配解集构造粒子个体邻域之间的拓扑结构,提出星型结构的多目标粒子群算法用于求解多模态多目标问题。其次,针对多目标粒子群中全局最优个体选择困难,提出一种非支配解集分布均匀程度的评价方法,评价结果用于确定当前粒子对应的全局最优个体。最后,结合2种方法提出带均匀计算方法的星型拓扑结构多目标粒子群优化算法STMOPSONCMIU。通过测试函数分析算法的收敛性,表明改进的算法比原来的算法收敛速度快。实验结果表明,该算法可以较好地兼顾问题的目标空间和决策空间的分布,有效解决多模态多目标问题。     

目标空间映射策略的高维多目标粒子群优化算法

为了平衡优化算法在高维多目标优化问题中收敛性和多样性之间的关系,增加算法的选择压力,本文提出了一种基于目标空间映射策略的高维多目标粒子群优化算法(many-objective particle swarm optimization algorithm based on objective space mapping strategy,MOPSO-OSM)。在求解高维多目标优化问题时,Pareto准则难以从众多的非支配解中确定最优“折中”解,因此将高维多目标空间映射为以收敛性和多样性评价指标的2维空间,再将上述2维空间根据性能指标的优劣划分为4个不同区域。同时,使用反向学习策略提高算法跳出局部最优的能力。实验表明,MOPSO-OSM算法可以有效平衡收敛性和多样性之间的关系,达到求解复杂多目标优化问题的目的。