多目标粒子群优化算法的改进与研究

扫码查看

原文链接

NETL

中文摘要：随着在现实生活中的普遍应用以及实际生产问题的驱使，多目标优化问题在工程界和学术界越来越受到关注，解决问题的方法也日益增多。目前对于智能优化算法的研究最为火热，并且成功地应用到了生产管理、电力控制等实际问题中。粒子群优化算法（Particle Swarm Optimization Algorithm-PSO）源自于对鸟群捕食行为的研究，是一种典型的群体智能优化算法。由于参数少、易于实现、快速收敛等特点，PSO算法引起了广大研究者的关注，并被广泛用于解决优化问题以及实际的工程生产问题。但是PSO算法在求解多目标优化问题时仍然存在容易陷入局部最优而导致收敛精度低、解的多样性差等问题。为改善这些缺陷与不足，本文提出三个改进策略，并用于解决多目标优化问题。（1）基于s ine正弦函数动态变化的学习因子：根据s ine正弦函数随时间动态变换的特性，使算法在搜索初期具有较大的c1，增强粒子的自我意识从而增加种群多样性，而在后期增强社会认知能力即具有较大的c2，使种群尽可能朝着真实的Pareto最优前端移动；（2）动态位移波动算子：受鸟类实际飞行中可能出现的偏移运动以及动态回旋运动的启发，对个体最优位置进行小范围的深度寻优，旨在提高获得解与真实Pareto最优前端的逼近程度；（3）基于改进Lévy flight的变异算子：通过基于改进Lévy flight的变异率增加算法的随机性，以随机的概率对种群进行非均匀变异操作，增加Pareto解集的多样性，带来更多可能的解，避免陷入局部最优。通过实验对三个改进策略的有效性进行了验证，最后将上述的三个改进策略进行融合，提出了改进的多目标粒子群优化算法（Improved Multi-objective Particle Swarm Optimization Algorithm-IMOPSO），通过7个经典的测试函数进行实验验证并与MOPSO（Multi-objective Particle Swarm Optimization Algorithm）的结果进行比较分析，在收敛性、多样性以及均匀性方面，IMOPSO算法均有所改善。

作者：

马博荣

展开 >

关键词：

粒子群优化算法学习因子波动算子变异算子多目标优化

授予学位：

硕士

学科专业：

软件工程·软件工程

导师：

马志新

学位年度：

2017

学位授予单位：

兰州大学

语种：

中文

中图分类号：