基于粒子群優(yōu)化算法的動態(tài)多目標優(yōu)化算法研究及應用.pdf

1、在智能算法領域，除了以Darwin進化論“適者生存”思想為基礎的進化算法在求解優(yōu)化問題方面已經(jīng)獲得了不同程度的成功之外，群智能算法之一的粒子群優(yōu)化算法也在解決優(yōu)化問題方面取得了一定的成功。粒子群優(yōu)化算法(ParticleSwarmOptimization，PSO)即是其中一種相對新穎的優(yōu)化技術(shù)，它的主體思想是基于模擬魚群鳥群的群體智能效應，即通過一些簡單個體在環(huán)境中局部的相互交流而產(chǎn)生的全局優(yōu)化的集體效應。自從在1995年由Kenned

2、y和Eberhart提出粒子群優(yōu)化算法，由于它在概念上容易理解，方便應用而且收斂迅速，跟其他的進化算法相比，它具有一個突出優(yōu)勢，即可以用較少的個體進行搜索而得到較好的結(jié)果，儲存量和計算量都相對比較低，因而引起了很多研究人員的興趣而逐漸成為進化算法的一個重要分支。
　　 在利用進化算法解決靜態(tài)多目標優(yōu)化問題方面已經(jīng)取得了不錯成果。然而在現(xiàn)實生活中，許多問題不僅有多個目標，而且各個目標是與時間因素有關的，人們把這類與時間有關且有多個

3、目標函數(shù)需要同時優(yōu)化的的問題稱為動態(tài)多目標優(yōu)化問題。因為動態(tài)多目標優(yōu)化問題具有多個依賴時間（環(huán)境）的互相矛盾、單位不一的目標，同時隨著時間（環(huán)境）的變化，帕雷托最優(yōu)解也會發(fā)生改變，所以對其優(yōu)化相對比較困難，這就給粒子群算法以及進化算法帶來了新的挑戰(zhàn)。
　　 本文主要有以下幾個方面:
　　 第一部分主要敘述了優(yōu)化問題相關概念，數(shù)學模型以及解決優(yōu)化問題的傳統(tǒng)進化算法以及基于進化算法的群智能算法，并著重介紹了解決多目標優(yōu)化問題

4、以及動態(tài)多目標優(yōu)化問題的研究現(xiàn)狀，總結(jié)了算法中較為常用的提高算法性能的策略。
　　 第二部分首先引入了粒子群優(yōu)化算法，并對粒子群優(yōu)化算法進行了分析，介紹了幾種常用的改進粒子群優(yōu)化算法的方法。然后重點介紹了基于動態(tài)多種群的粒子群優(yōu)化算法的思想，分析了動態(tài)多種群粒子群優(yōu)化算法的優(yōu)勢，說明了動態(tài)多種群粒子群優(yōu)化算法的有效性。
　　 第三部分首先為了進一步證實動態(tài)多種群粒子群算法在解決多目標問題上的算法的有效性，在標準的IEEE

5、30-bus6-genenrator測試系統(tǒng)上進行了關于環(huán)境/經(jīng)濟調(diào)度的實際應用的仿真驗證，進一步證實了動態(tài)多種群粒子群優(yōu)化算法在解決多目標優(yōu)化問題的有效性。
　　 第四部分首先對動態(tài)環(huán)境的變化模式以及動態(tài)多目標問題的變化種類進行數(shù)學描述，分析介紹算法的性能評價標準，并使用改進的動態(tài)多種群粒子群優(yōu)化算法在建立的動態(tài)多目標的測試平臺上進行測試仿真，以驗證算法可以對變換的帕雷托前沿進行快速跟蹤，并且帕雷托最優(yōu)解集有較好的分布性。