一种双种群协同多目标粒子群优化算法及应用

针对当前我国油田开采难度大、 经济效益较低等问题, 建立以利润最大化为优化指标, 以年度增油目标、 增液目标、 增注目标为约束条件的多目标油田开采优化模型, 并提出一种双种群协同多目标粒子群优化算法求解该优化模型. 该算法通过双种群协同进化策略扩大搜索空间, 提高算法的全局搜索能力, 并结合Lévy飞行保证种群多样性, 提高算法收敛效率. 实验结果表明, 该算法能有效求解油田开采优化模型, 可优选出满足目标和约束条件的结果.     

一种新的协同多目标粒子群算法

提出了一种动态协同多目标粒子群算法,该算法采用一种新型群体停滞判别准则,自适应地决定子群体的新增和灭绝。用外部集合及精英保留策略保存Pareto有效解,用于指导整个粒子群的进化。通过子群体间的信息交换,使整个群体分布更均匀,并且避免了局部最优,保证了解的多样性。对弹簧的优化设计实例进行验证,与传统的多目标算法相比,该算法能够获得更优的结果。     

基于Maximin的动态种群多目标粒子群算法

针对粒子群优化算法在处理多目标函数优化问题的过程中,往往会出现局部收敛现象,在MOPSO算法基础上提出了一种新的多目标粒子群优化算法.该算法在运行过程中采用动态调整粒子群种群数目的方式使粒子摆脱局部最优解对其的吸引;同时为了克服粒子种群多样性降低带来的影响,将粒子的相对适应度方差引入到Maximin计算公式中.然后基于Pareto最优的概念,利用方差Maximin策略来评价最优解,并保存在可变的外部精英集中,以保证结果的分布性良好.最后,该方法在仿真中取得了良好效果,可以更广泛地应用到复杂工业多目标优化领域中.     

一种离散型多目标粒子群优化算法

为获得更好的非劣前端,提出一种离散型多目标粒子群优化算法。该算法根据离散型多目标优化问题的特点,将种群分成多个子种群,在各个子种群中利用表现型共享的适应度函数选择每个子种群的最优粒子。通过多个最优粒子的引导,使整个种群分布更均匀,避免陷入局部最优,保证了解的多样性。实验表明了该算法的有效性。     

多目标粒子群优化算法研究

在过去的十多年,粒子群算法对多目标优化问题的应用研究取得了较大的进展．本文首先描述多目标粒子群优化算法（MOPSO）的基本流程,然后从算法设计与应用等方面回顾MOPSO的研究进展,最后对该算法未来的研究进行了分析和展望.     

求解约束优化问题的动态多种群粒子群算法

为有效求解带有约束条件的优化问题,提出一种动态多种群粒子群算法。采用动态多种群策略和广泛学习策略来提升种群的多样性, 并根据人类社会“人尽其才”的思想, 为每个子群指派成员, 以发挥每个粒子的最大效用。采用动态变异策略, 对全局最优粒子(Gbest)进行变异操作以提升算法跳出局部最优解的能力。在基准函数的测试结果中显示DMCPSO获得了较高的求解精度。     

改进差分进化算法在铝电解多目标优化中的应用

针对多目标优化问题,提出一种改进的差分进化算法(DE).该改进算法首先将DE与粒子群优化算法(PSO)结合,提高DE的收敛速度,然后引入多种群进化策略,有利于维持Pareto解的多样性.同时,在综合考虑机理与工艺的基础上建立铝电解多目标优化模型,并应用改进算法进行求解.仿真结果表明:在电流效率为92％时,改进算法所得的直流功耗为14.03 MW.h/t,比NSGA-Ⅱ的直流功耗降低了1.45％,比传统DE的直流功耗降低了1.75％.表明本文改进算法有效地提高了传统进化算法的性能.     

基于双决策和快速分层的多目标粒子群算法

针对粒子群算法在求解多目标优化问题时存在的收敛性不足和多样性缺失等问题,提出一种基于双决策和快速分层的新型多目标粒子群算法(DDFSMOPSO);在该算法中,采用外部存档对迭代产生的非劣解进行存储,并利用拥挤距离和绝对距离相结合的双决策策略对外部存档规模进行维护,使得优秀粒子在随后的进化过程中易于保留和发展;同时,采用...     

多目标最优化的粒子群算法

粒子群算法是一种新出现的进化算法,相对其它进化算法,它收敛速度快、规则简单、易于编程实现.采用粒子群算法对资产投资的多目标问题进行优化,解决了传统方法难以解决的问题.数值实例表明,采用该算法能对资产投资问题做出优化组合决策.     

基于多目标粒子群协同算法的状态参数优化

针对铅锌烧结过程综合透气性、烧结终点的优化具有强非线性、计算复杂等特点,提出了一种有效的多目标粒子群协同优化算法。首先,建立了有综合透气性、烧结终点两个目标的优化模型。接着,通过改进的约束比较方法、粒子极值选取方法,以及利用不同的粒子群来分别优化相应的变量,提出了一种改进的多目标粒子群协同优化算法。最后,利用提出的多目标优化算法进行综合透气性、烧结终点的优化。仿真结果表明,所提出的多目标优化算法能较好地解决综合透气性、烧结终点的优化问题。     

一种新的多目标粒子群算法的研究与应用

基于多目标粒子群优化算法的研究成果,以提升多目标优化方法性能为目标,结合铜电解稳态优化工程实际,提出了一种新的多目标优化粒子群算法.该方法采用可变的外部集策略和快速排序方法来减少优化计算量,采用拥挤度算子和强支配关系保证结果良好的分布性.测试函数的仿真对比分析及对铜电解实际过程数据的优化运行结果均表明该方法在收敛性、解的分布性及计算效率方面具有良好品质,特别是在求解三目标优化问题时的突出表现,表明这种算法在多目标优化领域具有更广泛的适用性.     

面向无人机路径规划的多目标粒子群优化算法

针对无人机路径规划中方案单一的问题,本文提出一种基于集分解的多目标综合学习粒子群优化算法框架(MOCS-PSO/D),该算法使用基于分解的多目标优化框架(MOEA/D),结合基于集的粒子群优化(S-PSO)和综合学习粒子群优化(CLPSO),对CLPSO和PSO的速度更新公式进行改进,直接获得更多样的路径规划方案,同时...     

一种自适应多样性保持的多目标粒子群算法

提出一种自适应多样性保持的多目标粒子群算法(ADMMOPSO)。该算法引入多样性保持阈值(λα)来控制非劣解的分布,当多样性指标高于阈值λα时,引入一种基于网格的全局最优粒子的选择策略增加种群向真实Pareto前沿收敛的概率,并提升非劣解的多样性。通过4个测试问题和3个测试标准,并与其他算法进行比较,结果表明ADMMOPSO获得了质量较高的非劣解。     

一种基于Kriging模型加点策略的多目标粒子群优化算法

针对工程问题中优化结果误差较大的不足, 提出一种基于Kriging模型的多目标粒子群优化算法. 先利用Kriging模型的响应信息对误差进行预测, 并将预测误差引入Pareto支配关系比较、 全局领导者和局部领导者的选取及变异机制的进行过程中, 再结合文中加点策略使优化过程在少量抽样的前提下快速准确地逼近Pareto前沿解集. 性能测试结果表明, 该算法可提高复杂系统模型的优化效率及准确性.     

一种基于Kriging模型加点策略的多目标粒子群优化算法

针对工程问题中优化结果误差较大的不足, 提出一种基于Kriging模型的多目标粒子群优化算法. 先利用Kriging模型的响应信息对误差进行预测, 并将预测误差引入Pareto支配关系比较、 全局领导者和局部领导者的选取及变异机制的进行过程中, 再结合文中加点策略使优化过程在少量抽样的前提下快速准确地逼近Pareto前沿解集. 性能测试结果表明, 该算法可提高复杂系统模型的优化效率及准确性.     

基于密度聚类的多目标粒子群优化算法

提出了一种基于密度聚类的领导粒子选择策略的多目标粒子群优化算法。首先,将粒子进行分类;然后,对外部档案采用改进的循环拥挤距离排序,并将高斯变异引入到进化种群,在保持具有全局搜索能力的同时,也避免了陷入局部最优。对WFG系列测试函数的仿真结果表明,与经典多目标优化算法相比,本文算法在解的收敛性和多样性等方面有显著的提升。     

基于扩容和双距离决策的多目标粒子群优化算法

为了更好地改善多目标粒子群优化算法的收敛性和多样性,提出一种基于扩容和双距离决策的多目标粒子群优化算法。利用扩容的方法对目标空间中目标函数值的上下限进行扩大,得到新的上下限后再建立网格,这样可以计算出边界点的坐标。在小网格中选择引导粒子或者劣质粒子时,利用小网格中粒子到理想点和当前小网格最优点的距离进行决策筛选,这样充分利用目标空间中的信息来对粒子的优先级进行判断。对新的粒子进行差分变异,增加了整体的多样性,并通过阈值控制其变异的频率。将算法和当前具有代表性的多目标粒子群优化算法进行对比实验,提出的算法效果更佳。实验表明,提出算法的收敛性和多样性不仅得到较大提高,而且较为稳定。     

粒子群优化算法及其应用

粒子群算法是近几年来迅速发展起来的,得到广泛应用的一种新型模拟进化优化算法.研究表明该算法具有简单易于实现,可调参数少等优良性质.对粒子群算法理论及其进展情况做了阐述,介绍了该算法在理论和实际问题中的应用,并对其前景进行了展望.     

一种基于粒子群优化算法的神经网络训练方法

介绍了粒子群优化(PSO)算法的原理,研究了将PSO算法应用于神经网络训练的方法,给出了算法软件实现的基本流程,并对Iris分类问题做了仿真实验,通过与BP算法的比较,结果表明基于PSO的神经网络训练算法操作简单,易于实现,而且训练精度较高,有良好的收敛性.     

基于种群分区的多策略综合粒子群优化算法

针对标准粒子群优化算法容易陷入局部最优收敛精度不高的问题,提出一种基于种群分区的多策略综合学习粒子群优化算法(MSPSO).该算法利用竞争机制将种群分为两个子种群：潜力子群与普通子群,对这两个子群实行不同的进化策略,潜力子群中的粒子主要负责全局探索,普通子群中的粒子则侧重于局部勘探.为验证算法的性能,在不同类型的基准函数上与其他粒子群算法及其他群智能算法进行对比,所提算法都能取到最优的平均结果,证明所提算法具有更优异的算法性能.