多目標粒子群優(yōu)化算法的改進與研究.pdf

1、隨著在現(xiàn)實生活中的普遍應(yīng)用以及實際生產(chǎn)問題的驅(qū)使，多目標優(yōu)化問題在工程界和學(xué)術(shù)界越來越受到關(guān)注，解決問題的方法也日益增多。目前對于智能優(yōu)化算法的研究最為火熱，并且成功地應(yīng)用到了生產(chǎn)管理、電力控制等實際問題中。
　　粒子群優(yōu)化算法（Particle Swarm Optimization Algorithm-PSO）源自于對鳥群捕食行為的研究，是一種典型的群體智能優(yōu)化算法。由于參數(shù)少、易于實現(xiàn)、快速收斂等特點，PSO算法引起了廣大研究

2、者的關(guān)注，并被廣泛用于解決優(yōu)化問題以及實際的工程生產(chǎn)問題。但是PSO算法在求解多目標優(yōu)化問題時仍然存在容易陷入局部最優(yōu)而導(dǎo)致收斂精度低、解的多樣性差等問題。為改善這些缺陷與不足，本文提出三個改進策略，并用于解決多目標優(yōu)化問題。
　?。?）基于s ine正弦函數(shù)動態(tài)變化的學(xué)習(xí)因子：根據(jù)s ine正弦函數(shù)隨時間動態(tài)變換的特性，使算法在搜索初期具有較大的c1，增強粒子的自我意識從而增加種群多樣性，而在后期增強社會認知能力即具有較大的c2

3、，使種群盡可能朝著真實的Pareto最優(yōu)前端移動；
　　（2）動態(tài)位移波動算子：受鳥類實際飛行中可能出現(xiàn)的偏移運動以及動態(tài)回旋運動的啟發(fā)，對個體最優(yōu)位置進行小范圍的深度尋優(yōu)，旨在提高獲得解與真實Pareto最優(yōu)前端的逼近程度；
　?。?）基于改進Lévy flight的變異算子：通過基于改進Lévy flight的變異率增加算法的隨機性，以隨機的概率對種群進行非均勻變異操作，增加Pareto解集的多樣性，帶來更多可能的解，避

4、免陷入局部最優(yōu)。
　　通過實驗對三個改進策略的有效性進行了驗證，最后將上述的三個改進策略進行融合，提出了改進的多目標粒子群優(yōu)化算法（Improved Multi-objective Particle Swarm Optimization Algorithm-IMOPSO），通過7個經(jīng)典的測試函數(shù)進行實驗驗證并與MOPSO（Multi-objective Particle Swarm Optimization Algorithm）的