多目標(biāo)粒子群優(yōu)化算法的改進(jìn)與研究.pdf

1、隨著在現(xiàn)實(shí)生活中的普遍應(yīng)用以及實(shí)際生產(chǎn)問題的驅(qū)使，多目標(biāo)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(duì)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(shí)際問題中。
　　粒子群優(yōu)化算法（Particle Swarm Optimization Algorithm-PSO）源自于對(duì)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(shí)現(xiàn)、快速收斂等特點(diǎn)，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(shí)際的工程生產(chǎn)問題。但是PSO算法在求解多目標(biāo)優(yōu)化問題時(shí)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(gè)改進(jìn)策略，并用于解決多目標(biāo)優(yōu)化問題。
　　（1）基于s ine正弦函數(shù)動(dòng)態(tài)變化的學(xué)習(xí)因子：根據(jù)s ine正弦函數(shù)隨時(shí)間動(dòng)態(tài)變換的特性，使算法在搜索初期具有較大的c1，增強(qiáng)粒子的自我意識(shí)從而增加種群多樣性，而在后期增強(qiáng)社會(huì)認(rèn)知能力即具有較大的c2

3、，使種群盡可能朝著真實(shí)的Pareto最優(yōu)前端移動(dòng)；
　?。?）動(dòng)態(tài)位移波動(dòng)算子：受鳥類實(shí)際飛行中可能出現(xiàn)的偏移運(yùn)動(dòng)以及動(dòng)態(tài)回旋運(yùn)動(dòng)的啟發(fā)，對(duì)個(gè)體最優(yōu)位置進(jìn)行小范圍的深度尋優(yōu)，旨在提高獲得解與真實(shí)Pareto最優(yōu)前端的逼近程度；
　?。?）基于改進(jìn)Lévy flight的變異算子：通過基于改進(jìn)Lévy flight的變異率增加算法的隨機(jī)性，以隨機(jī)的概率對(duì)種群進(jìn)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(shí)驗(yàn)對(duì)三個(gè)改進(jìn)策略的有效性進(jìn)行了驗(yàn)證，最后將上述的三個(gè)改進(jìn)策略進(jìn)行融合，提出了改進(jìn)的多目標(biāo)粒子群優(yōu)化算法（Improved Multi-objective Particle Swarm Optimization Algorithm-IMOPSO），通過7個(gè)經(jīng)典的測(cè)試函數(shù)進(jìn)行實(shí)驗(yàn)驗(yàn)證并與MOPSO（Multi-objective Particle Swarm Optimization Algorithm）的