一种新的多目标粒子群优化算法研究

定义了Pareto最优解及与其相关的一些概念,引入了被广泛应用的改进的单目标PSO(Particle Swarm Optimization)算法.在此基础上提出了MOPSO算法,用改进的Pareto最优解概念排挤不满足约束的解,还采取一种新的寻找全局最优粒子策略.为了方便评估算法的性能,提出三个比较规则:AD、SP和ER.求解三个复杂的测试问题的结果显示,MOPSO能求出数量充足的、分布均匀的Pareto最优解.     

解多目标优化问题的新粒子群优化算法

通过定义的粒子序值方差和U-度量方差,把对任意多个目标函数的优化问题转化成为两个目标函数的优化问题。继而把Pareto最优与粒子群优化(PSO)算法相结合,对转化后的优化问题提出了一种新的多目标粒子群优化算法,并证明了其收敛性。新方法用较少计算量便可以求出一组在最优解集合中分布均匀且数量充足的最优解。计算机仿真表明该算法对不同的试验函数均可用较少计算量求出在最优解集合中分布均匀且数量充足的最优解。     

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.     

基于粒子群的多目标优化算法

论文提出了一种新的基于粒子群的多目标优化算法。用搜索过程中所发现非劣解的一部分构成精英集,将其作为粒子群的历史最佳,引导粒子群的搜索,并通过小生境技术和部分变异的方法来提高非劣解集的多样性和分散性。对三个典型多目标测试函数所作实验的结果验证了该方法的有效性和快速性,结果还表明:该方法所得非劣解集在分散性、错误率和逼近程度等量化指标上优于FFGA、SPEA、PAES、NSGA等方法,是一种非常有潜力的多目标优化方法。     

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。     

一种改进的多目标粒子群优化算法

提出一种改进的多目标粒子群优化算法,该算法采用精英归档策略,由档案库中的非劣解提供粒子速度更新时的全局最优位置,根据Pareto支配关系来更新粒子的个体最优位置。使用非劣解目标的线密度度量非劣解前端的均匀性,通过删除小密度的非劣解提高非劣解前端的均匀性。针对多目标进化算法理论型指标的不足,设计了应用型评价指标。标准函数的仿真实验结果表明,所提算法能够获得大量的非劣解,快速地收敛于Pareto最优解前端,且分布比较均匀。     

改进的粒子群求解多目标优化算法

根据粒子群算法求解多目标问题的特点,个体极值和全局极值的选择不同会对实验结果产生很大影响。目前普遍的选择方法仅仅根据简单的支配关系,但是会存在两个解之间没有支配关系而导致不去更新个体最优值（PB）和全局最优值（GB）,这样会导致更好的个体极值和全局极值的遗漏从而降低收敛时间。文中提出一种新的个体极值和全局极值的选择策略。使用这种策略,可以加快收敛,提高准确性,防止非劣解的遗漏。通过几个测试函数的实验仿真,所得解集的分步性和多样性都有显著的提高。     

一种新的求解多目标优化问题的混合遗传算法

分析了遗传算法和单纯形算法的特点，充分利用二者的优点，把单纯形算法作为一种局部搜索方法与变权系数遗传算法有机地结合起来，提出了一种求解多目标优化问题的混合遗传算法。数值实验表明该混合遗传算法能求得问题的数量更多、分布更广的Pareto最优解。     

一种多目标优化问题的理想灰色粒子群算法*

针对逼近理想解的排序方法对Pareto前端的距离跟踪以及灰色关联度能够很好地分析非劣解集曲线与Pareto最优解集曲线的相似性,提出了一种求解多目标优化问题的理想灰色粒子群算法。该算法利用理想解理论与灰色关联度理论来求解粒子与理想解之间的相对适应度和灰色关联度系数,把两者的和定义为相对理想度,通过相对理想度来判别粒子的优劣,以确定个体极值和全局极值。通过四组不同类型的基准函数测试算法性能,并与目标加权法和灰色粒子群算法比较分析,结果表明该算法能够较好地收敛到Pareto最优解集,不但具有较好的收敛性和分布     

求解多目标优化问题的自适应粒子群算法

提出了一种基于自适应惯性权重的多目标粒子群优化算法AWMOPSO,采用新的适应值分配机制,在搜索过程中根据粒子的适应值对粒子进行分类,动态调整粒子的惯性权重以控制粒子的开发和探索能力。用外部精英集保存非支配解,并通过拥挤距离维持解的多样性。引入精英迁移和局部扰动策略,提高收敛的速度和精度。典型的测试函数的计算结果表明了算法能够快速逼近Pareto最优前沿,是求解多目标优化问题的有效方法。     

用于约束多目标优化问题的混合粒子群算法

针对约束多目标优化问题,结合Pareto支配思想、锦标赛选择和排挤距离技术,采用双种群搜索策略,引进免疫机制,对传统的粒子更新策略进行改进,提出一种用于求解约束多目标优化问题的混合粒子群算法。通过4个标准约束多目标函数进行测试,测试结果表明,该方法有效可行,相比传统多目标优化算法更优。     

一种用于求解多目标组合优化的混合遗传算法

为高效求解多目标组合优化问题 ,提出一种进化计算与局部搜索结合的多目标算法。此算法基于个体排序数和密度值进行适应度赋值 ,采用非劣解并行局部搜索策略 ,在解的适应度赋值和局部搜索过程中使用 Pa-reto支配的概念。实验结果表明 ,新算法不仅提高了优化搜索的效率 ,且能够找到更多的近似 Pareto最优解。     

一种基于群智能的快速多目标优化算法

粒子群优化算法是一种典型的仿真群智能的算法。探讨了利用粒子群算法求解多目标优化问题,为了提高算法速度,采用了几何Pareto选择算法作为文档算法,用多方向搜索的办法寻找极端点。实验表明：该算法得到的解的数量多,速度快并且近似前沿的程度比较高。     

一种混合的多目标粒子群算法

将混沌变异和局部搜索与粒子群算法相结合用于多目标寻优。寻优的过程中以拥挤距离为标准,在进化的不同阶段采用相应的优化策略。当种群陷入局部最优时用混沌变异跳出该局部最优;用局部搜索法在进化后期增强算法的多样性和收敛性。实验结果表明,该方法求得的Pareto前沿分布更加均匀,更加接近理论的Pareto前沿。     

求解多目标优化问题的灰色粒子群算法

鉴于基本粒子群算法无法解决高维多目标优化问题,提出了一种适合求解高维多目标优化问题的灰色粒子群算法(GPSO),该算法根据灰色关联能够很好地分析目标矢量之间的接近程度,并能掌握解空间全貌的特点,利用灰色关联度的大小来选取粒子群算法中的全局极值和个体极值。实验结果证明,该算法可行而有效,同时也拓展了粒子群算法的应用领域。     

一种人工内分泌多目标微粒群方法

借鉴内分泌系统的监督控制机制,提出了一种基于内分泌思想的多目标粒子群优化算法。根据生物体激素调节机制中促激素和释放激素间的相互作用原理,考虑当前非劣解集中的个体对其最临近一类群体的监督控制,在粒子位置的更新过程中,引入当前粒子的类全局最优位置,使粒子位置的更新不仅受粒子运动到当前的最好位置和当前代粒子的最好位置影响,而且受其所属类中最好位置粒子的影响,实现粒子全局信息和局部信息的结合。设计了新的粒子群更新方案,为验证方法的有效性,对几个典型的多目标优化问题进行了仿真实验,通过与MOPSO、NSGA-II两种方法的结果对比,表明算法有较好的收敛性和分布性。