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.     

一种基于粒子群优化的多目标优化算法

论文提出了一种基于粒子群的多目标优化算法,该算法采用Pareto支配关系来更新粒子的个体最优值和局部最优值,用存储池保存搜索过程中发现的非支配解;采用聚类算法裁剪非支配解,以保持解的分布性能;采用动态惯性权重法来平衡粒子群对解空间的局部搜索和全局搜索,以提高算法的全局收敛性能。实验结果表明,论文算法是有效的,能有效的求解多种多目标优化问题。     

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。     

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.     

基于环境选择和配对选择的多目标粒子群算法

为了使多目标粒子群算法中种群粒子能够快速地收敛于怕累托最优边界,针对标准多目标粒子群算法中缺乏粒子评价标准以及种群个体历史最优值位置和全局最优值位置选择问题,提出了一种基于环境选择和配对选择策略的多目标粒子群算法.该算法在每次迭代时,采用SPEA2中的环境选择和配对选择策略及适应度值计算方法,以此来提高种群粒子之间的信息交换力度,减少标准多目标粒子群算法中大量的随机性,使种群粒子能够更快速地收敛于怕累托最优边界.经典测试函数的仿真实验结果表明,在标准多目标粒子群算法中运用SPEA2的环境选择、配对选择策略和适应度值计算方法,能够使种群粒子更快速地收敛于帕累托最优边界,验证了算法改进的可行性和有效性.     

求多目标优化问题的粒子群优化算法

将粒子群优化算法应用于求解多目标优化问题,提出一种双向搜索机制,指导粒子向着搜索空间中非劣目标区域以及粒子分布最为稀疏的区域这两个方向进行寻优,进而提出了求解多目标优化问题的基于粒子群优化算法的双向搜索法,该算法对粒子全局最优经验的选择策略以及粒子群的状态更新机制进行了改进。实验研究表明,该算法不仅能快速有效地获得多目标优化问题的非劣最优解集,而且求出的解集具有良好的分布性。     

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。     

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.     

基于动态多粒子群的多目标优化算法

为了让多目标粒子群优化算法在运行过程中保持粒子的多样性,提出了一种初始化方法和动态多粒子群协作的多目标优化算法。根据粒子群在决策空间中的分布情况动态增加或者减少粒子群数量;为避免粒子收敛速度过快,改进了决定粒子飞行速度的因素,速度值依赖于粒子当前速度惯性、粒子最优值,群最优值和所有群最优值。用五个测试函数对算法进行了测试并与多目标粒子群优化进行了比较,测试结果表明提出的算法优于多目标粒子群优化算法。     

带邻近粒子信息的粒子群算法

针对标准粒子群算法易出现早熟的问题,提出了一种带邻近粒子信息的粒子群算法。该算法中粒子位置的更新不仅包括自身最优和种群最优,还包括粒子目前位置最近粒子最优的信息。为了有效地平衡算法的全局探索和局部开发,并使其收敛于全局最优值,采用了时变加速因子策略,两个加速因子随进化代数线性变化。通过对5个经典测试函数优化的数值仿真实验并与其他粒子群算法的比较,结果表明了在平均最优值和成功率上都有所提高,特别是对多峰函数效果更加明显。     

多目标自适应混沌粒子群优化算法

提出一种多目标自适应混沌粒子群优化算法(MACPSO). 首先, 基于混沌序列提出一种新型动态加权方法选择全局最优粒子; 然后, 改进NSGA-II 拥挤距离计算方法, 并应用到一种严格的外部存档更新策略中; 最后, 针对外部存档提出一种基于世代距离的自适应变异策略. 以上操作不仅提高了算法的收敛性, 而且提高了Pareto 最优解的均匀性. 实验结果表明了所提出算法的有效性.

     

基于拥挤度与变异的动态微粒群多目标优化算法

提出一种动态微粒群多目标优化算法(DCMOPSO),算法中的惯性权重和加速因子动态变化以增强算法的全局搜索能力,并采用拥挤度的方法对外部档案进行维护以增加非劣解的多样性.在维护过程中,从外部档案中按拥挤度为每个微粒选择全局最好位置,同时使用变异操作避免算法早熟.通过几个典型的多目标测试函数对DCMOPSO算法的性能进行了测试,并与多目标优化算法MOPSO和NSGA-Ⅱ进行对比.结果表明,DCMOPSO算法具有良好的搜索性能.     

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。     

基于树形结构无界存档的多目标粒子群算法

多目标优化算法大多采用基于线性链表结构的有界Pareto存档策略,其存在迭代过程中Pareto前沿震荡衰退等弊端以及相关参数难以预先确定等技术难题.为此,构造一种适用于大规模存档集合的树形结构,并利用其取代线性结构以保证存档维护与管理的高效性,进而提出基于树形结构的无界存档策略.在此基础上,将基于正交设计的种群初始化、基于树形结构的存档更新以及基于树形结构的最优个体选择引入多目标粒子群优化,提出基于树形结构无界存档的多目标粒子群算法.最后,通过测试函数上的仿真实验验证了所提出策略与算法的科学性和有效性.     

求解人力资源分配问题的多目标微粒群优化算法*

提出一种改进的多目标微粒群优化算法来求解人力资源分配问题.通过对种群进行正交初始化,保证了个体在整个可行解空间上的均匀分散,使得算法能够在整个可行解空间上进行均匀搜索;通过基于网格技术的外部存档非劣解删选策略,有效地保留了逼近Pareto前沿的非劣解;引入一种广义的学习策略来提升粒子向Pareto前沿收敛的概率.实验结...     

基于多层次信息交互的多目标粒子群优化算法

为提高多目标优化算法的收敛性和多样性,提出一种基于多层次信息交互的多目标粒子群优化算法.在该算法中,整个优化过程可分为标准粒子群优化层、粒子进化与学习层和档案信息交换层3个层次.粒子进化与学习层保证了每次迭代都能得到更好的粒子位置;档案信息交换层可以提供更好的全局最优.优化算法各个层次之间通过信息交互,共同提高算法的收敛性和多样性.与NSGA-Ⅱ和MOPSO算法的对比分析表明,所提出算法具有良好的性能,能够有效解决多目标优化问题.     

Adaptive comprehensive learning particle swarm optimization with cooperative archive

Comprehensive learning particle swarm optimization (CLPSO) enhances its exploration capability by exploiting all other particles’ historical information to update each particle’s velocity. However, CLPSO adopts a set of fixed comprehensive learning (CL) probabilities to learn from other particles, which may impair its performance on complex optimization problems. To improve the performance and adaptability of CLPSO, an adaptive mechanism for adjusting CL probability and a cooperative archive (CA) are combined with CLPSO, and the resultant algorithm is referred to as adaptive comprehensive learning particle swarm optimization with cooperative archive (ACLPSO-CA). The adaptive mechanism dividing the CL probability into three levels and adjusting the individual particle’s CL probability level dynamically according to the performance of the particles during the optimization process. The cooperative archive is employed to provide additional promising information for ACLPO-CA and itself is updated by the cooperative operation of the current swarm and archive. To evaluate the performance of ACLPSO-CA, ACLPSO-CA is tested on CEC2013 test suite and CEC2017 test suite and compared with seven popular PSO variants. The test results show that ACLPSO-CA outperforms other comparative PSO variants on the two CEC test suites. ACLPSO-CA achieves high performance on different types of benchmark functions and exhibits high adaptability as well. In the end, ACLPSO-CA is further applied to a radar system design problem to demonstrate its potential in real-life optimization.     

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。     

A hybrid niching PSO enhanced with recombination-replacement crowding strategy for multimodal function optimization

This paper presents a hybrid niching algorithm based on the PSO to deal with multimodal function optimization problems. First, we propose to evolve directly both the particle population and memory population (archive population), called the P&A pattern, to enhance the efficiency of the PSO for solving multimodal optimization functions, and investigate illustratively the niching capability of the PSO and the PSO_P&A. It is found that the global version PSO is disable, but the local version PSO_P&A is able, to niche multiple species for locating multiple optima. Second, the recombination-replacement crowding strategy that works on the archive population is introduced to improve the exploration capability, and the hybrid niching PSO_P&A (HN-PSO_P&A) is developed. Finally, experiments are carried out on multimodal functions for testing the niching efficiency and scalability of the proposed method, and it is verified that the proposed method has a sub-quadratic scalability with dimension in terms of fitness function evaluations on specific MMFO problems.     

A Pareto archive particle swarm optimization for multi-objective job shop scheduling

In this paper, we present a particle swarm optimization for multi-objective job shop scheduling problem. The objective is to simultaneously minimize makespan and total tardiness of jobs. By constructing the corresponding relation between real vector and the chromosome obtained by using priority rule-based representation method, job shop scheduling is converted into a continuous optimization problem. We then design a Pareto archive particle swarm optimization, in which the global best position selection is combined with the crowding measure-based archive maintenance. The proposed algorithm is evaluated on a set of benchmark problems and the computational results show that the proposed particle swarm optimization is capable of producing a number of high-quality Pareto optimal scheduling plans.