多目標粒子群優(yōu)化算法的研究及應用.pdf

1、在工程問題和實際生活中，一般會碰到很多多目標優(yōu)化問題，傳統(tǒng)的解決方法都存在著一定的弊端和缺陷。粒子群算法因為具有快速收斂和參數設置簡單等特點，因而被廣泛利用來解決多目標優(yōu)化問題。多目標粒子群優(yōu)化算法的理論體系并不完善，而且算法存在容易陷入早熟、收斂精度不高和解集分布不均勻等缺點。本文針對現有多目標粒子群優(yōu)化算法的不足提出相應改進的措施和策略，并在機器人路徑規(guī)劃中進行應用。主要研究工作如下：
　　(1)針對算法容易陷入局部早熟并且跳

2、出早熟的能力不強的問題，本文提出一種高斯擾動策略，以使粒子群算法在解決多目標優(yōu)化問題時增強跳出局部極值的能力，有效避免了算法陷入早熟。結合帶慣性權重的粒子群速度更新公式，給出了實現高斯擾動策略的方式。
　　(2)提出了一種判斷粒子當前收斂狀態(tài)的方法。粒子群在進化的前后期分別處于不同的收斂狀態(tài)，單一的參數選取容易導致群體的進化效率不高。通過判斷算法迭代產生的新非支配解在外部檔案中的占優(yōu)情況來判斷粒子當前處于的收斂狀態(tài)，調節(jié)參數，提高

3、群體進化的效率和精度。
　　(3)針對多目標粒子群優(yōu)化算法收斂精度不高以及解空間分布不均勻的問題，提出了一種基于粒子收斂狀態(tài)的慣性權重的自適應策略。該策略可以提高算法收斂的速度和收斂的精度。
　　(4)為了保持和提高算法的收斂速度，在外部檔案中加入單純形交叉算子，本文為改進的多目標粒子群算法加上一定的方向，從而達到了提高算法的收斂速度及準確性的目的。
　　(5)將提出的改進的多目標粒子群算法應用到機器人路徑規(guī)劃中，對機

4、器人的任務進行建模，然后提出目標函數，通過多目標粒子群優(yōu)化算法獲得最優(yōu)路徑，通過與基本多目標粒子群優(yōu)化算法的仿真實驗對比。
　　采用了標準的多目標優(yōu)化問題測試函數集ZDT系列和DTLZ系列對所提出的算法進行了驗證測試，與基本的MOPSO算法及多目標進化算法NSGA-Ⅱ進行對比，實驗結果表明，本文提出的算法能夠獲得更好的Pareto前沿面，能獲得更均勻和更精確的非支配解集。在機器人路徑規(guī)劃問題中，通過對兩種不同任務環(huán)境的進行仿真實驗