均衡分布性和收敛性的多目标粒子群优化方法

粒子群优化（PSO）算法是一种基于群体演化且非常有效的求解多目标优化问题的方法，但因经典算法中粒子进化存在趋同性导致算法易陷入局部Pareto最优前沿，使得解集收敛性和分布性不理想。为此提出了一种均衡分布性和收敛性的多目标粒子群优化（DWMOPSO）算法，算法中每个粒子根据自身在进化过程中记忆的个体最好适应度值构建进化速度，由进化速度的快慢动态调整各粒子惯性权重,增加粒子的多样性，从而提高粒子跳出局部最优解的概率。通过在5个标准测试函数上进行仿真实验，结果表明，与Coello的多目标粒子群优化(MOPSO)算法相比，DWMOPSO算法获得的解集在与真实解集的逼近性和解集的分布性两个方面都有了很大的提高。