多目標粒子群優(yōu)化算法的全局搜索策略研究.pdf

1、粒子群優(yōu)化算法作為群體智能的一種，模擬了鳥群尋覓食物的生物行為，通過個體信息和社會信息在搜索空間中找尋最優(yōu)。由于粒子群算法的快速收斂性和實現(xiàn)的簡單性等特點，已經引起人們越來越多的關注，已廣泛應用于函數(shù)優(yōu)化、神經網(wǎng)絡訓練、模糊系統(tǒng)控制以及其它應用領域。應用粒子群方法解決多目標優(yōu)化問題時，確定全局最優(yōu)解成為一個難點，在大多數(shù)情況下，類似于單目標優(yōu)化的最優(yōu)解在多目標問題中是不存在的，而是得到一組非劣解，即Pareto最優(yōu)解，并且隨著目標數(shù)量的

2、增加，非劣解的數(shù)量也迅速增加，這將對粒子群算法的優(yōu)化性能產生很大影響，因為全局最優(yōu)解選取的“好壞”將直接影響算法的收斂性和分布性。另外粒子群的快速收斂性往往會導致算法收斂到局部最優(yōu)，這是由于種群快速失去多樣性造成的，因此當采用粒子群算法解決多目標優(yōu)化問題時，改善種群的多樣性也十分重要。本文對粒子群算法解決多目標優(yōu)化問題進行了研究。主要內容如下： ⑴對多目標優(yōu)化問題的基本概念和多目標粒子優(yōu)化算法進行了概括和總結，為深入研究多目標粒

3、子群優(yōu)化算法奠定了理論基礎。 ⑵提出了基于模糊偏好信息的多種群全局搜索策略。該方法將使用者的先驗偏好信息加入到種群搜索中，根據(jù)每個目標的相對重要性計算偏好權值，采用主種群和輔助種群的多種群方式搜索目標空間，輔助種群的信息通過信息選擇環(huán)節(jié)傳遞給主種群，該信息反映了決策者的偏好情況。優(yōu)化過程中，輔助種群保證了算法的多樣性，而主種群對輔助種群提供信息的利用，又保證了算法的收斂性。 ⑶提出了基于優(yōu)先階的均衡選擇全局搜索策略。該方

4、法有效地解決了非劣解數(shù)量在隨目標空間增加而增加時，種群選擇壓力對算法性能產生影響的問題。采用優(yōu)先階優(yōu)化準則代替Pareto優(yōu)化準則，對非劣解集進一步劃分排序以減少非劣解集中的點，只保留“最優(yōu)折衷解”，并將“最優(yōu)折衷解”作為全局最優(yōu)解，對粒子的速度進行更新。均衡選擇策略的加入，改善了多目標粒子群算法的收斂性能，均衡了算法的勘探和開采能力，在保證種群收斂到Pareto前沿的同時，也得到了一組分布性和多樣性較好的非劣解。 ⑷提出了一種