多目標粒子群優(yōu)化算法的研究.pdf

1、大量實際應用問題最后可以轉(zhuǎn)化為多目標優(yōu)化問題，而粒子群優(yōu)化因為其概念簡單、實現(xiàn)容易、收斂快速被廣泛地用來求解。
　　 大量多目標優(yōu)化算法是為進化算法設計的，沒有針對粒子群優(yōu)化的特性。因此我們分析多目標粒子群優(yōu)化的收斂機制，研究決策變量間的關(guān)系、最優(yōu)解集在決策變量上的投影、決策向量間的關(guān)系與收斂穩(wěn)定性、收斂類型的關(guān)系，找出阻礙算法收斂到優(yōu)解和保存優(yōu)解、以及造成算法收斂失敗或早熟的特征。
　　 多目標粒子群優(yōu)化面臨兩大困難，

2、引導粒子向Pareto前沿收斂和維護所得解的多樣性，因此產(chǎn)生了大量的改進。但這些改進缺乏系統(tǒng)化分析，所以為新問題設計合適的算法仍然很困難。通過借鑒人群行為，我們的人群框架系統(tǒng)化地總結(jié)了這些改進，將它們抽取為可重用的策略，并依據(jù)它們的優(yōu)化機制，歸類到模塊中。各模塊中的策略的理論和實驗上的分析和比較，幫助我們?yōu)槟K選擇合適的策略。不同模塊的策略之間關(guān)聯(lián)關(guān)系的分析產(chǎn)生了策略選擇的模塊順序。算法設計變得大為簡化。
　　 對于多目標問題，

3、Pareto支配定義的兩個解之間可能無法比較，這會降低算法的收斂速度和收斂精度，但現(xiàn)有算法對此缺乏有效處理。因此我們提出基于維更新的多目標粒子群優(yōu)化算法，即每個決策變量更新后立刻更新目標向量。單獨考慮每個變量對目標向量的影響可以降低無法比較關(guān)系出現(xiàn)的概率，從而提高算法性能。此外，我們提出最佳替換、基因交換來加速收斂，不再使用個體最優(yōu)因為算法已經(jīng)可以提供足夠的多樣性，簡化了網(wǎng)格縮減從而減少計算代價。
　　 決策空間的高維會影響多目

4、標粒子群優(yōu)化的性能，現(xiàn)有分解方法的性能難以讓人滿意。因此我們提出了基于可分性和類型的多目標粒子群優(yōu)化算法。學習決策變量的特征，可分的距離變量進行單獨優(yōu)化，可分的位置或混合變量進行單獨更新，不可分的變量進行整體優(yōu)化和更新。按位置變量、混合變量和距離變量的次序，減少擾動的分配。此外，我們采用了環(huán)型拓撲結(jié)構(gòu)來處理多峰，提出了鏡像變換來克服欺詐，修改了適應性網(wǎng)格來減少計算時間，改進了全局最優(yōu)選擇來解決非均勻。
　　 綜上所述，我們的研究