空间数据关联的多目标粒子群优化算法

提出一种空间联合概率数据关联的多目标粒子群优化(DS-MOPSO)算法。采用正态分布确保初始样本均匀分布,通过采用拥挤距离和先验概率采样确立外部归档中非支配解的拥挤度来保持解的多样性;采用Sigma方法作为选择精英粒子策略寻找全局最优解;利用空间联合概率数据关联动态生成每个粒子的惯性权值,增强粒子的搜索区域,防止算法陷入局部最优。仿真实验结果表明,采用所提出的算法所得到的Pareto解集具有很好的收敛性和多样性。     

多目标优化问题的粒子群算法仿真研究*

研究了一种用于求解多目标优化问题的粒子群算法(CMMOPSO)。该算法采用外部存档存储每一代产生的非劣解, 并且采用拥挤距离来维持外部存档规模, 同时提出一种新的全局最优粒子的选取策略(基于拥挤距离和收敛性距离)来提升粒子向Pareto前沿飞行的概率;为提升种群跳出局部最优解的能力, 以一定的概率对外部存档中粒子进行变异操作。通过典型的多目标测试函数对提出的算法进行检测, 结果表明,CMMOPSO算法在求解多目标问题上有一定的优势。因此, CMMOPSO可以作为求解多目标优化问题的有效算法。     

基于博弈机制的多目标粒子群优化算法

为改善多目标粒子群算法存在优化解的多样性不足和算法的收敛性问题,提出一种基于博弈机制的多目标粒子群优化算法。使用博弈机制,无需外部储备集,通过非占优排序和拥挤距离选出一部分优秀的粒子,从这些优秀的粒子中随机选择一个作为全局最优粒子,有效提升算法的收敛性和种群的多样性。算法初期使用多尺度混沌变异策略,避免算法陷入局部最优。通过与6个多目标算法在3个系列标准测试函数上进行比较,验证了该算法所得解分布性较好,能快速收敛到真实Pareto前端。     

混合分解的多目标粒子群优化算法

针对多目标粒子群算法全局最优值的选取缺陷以及多样性保留缺陷,提出了一种基于分解和拥挤距离的多目标粒子群优化算法(Smoeadpso).算法采用切比雪夫分解机制,将邻居向量对应的子问题的中的最优解来作为某个粒子全局最优值的候选解了更有效限制粒子飞行速度以避免粒子飞行超出解空间界限,引入了新的速度限制因子维持了种群多样性.本文算法与经典的多目标进化算法在10个测试函数上的对比结果表明, Smoeadpso求得的Pareto解集与真实Pareto解集的逼近程度有明显提升并且对于3目标问题求解的均匀性也比同类粒子群算法优秀.     

基于QPSO 和拥挤距离排序的多目标量子粒子群优化算法

为了提高多目标优化算法的收敛性、分布性和减少算法的计算代价,提出一种基于量子行为特性的粒子群优化(QPSO)和拥挤距离排序的多目标量子粒子群优化(MOQPSO-CD)算法.MOQPSO-CD利用QPSO快速接近真实的Pareto最优解,同时引入高斯变异算子以增强解的多样性.采用拥挤距离排序的方法对外部存储器中最优解进行更新和维护,使得从中选择的具有全局最优的领导粒子能够引导粒子群最终找到真实的Pareto最优解.仿真结果表明,MOQPSO-CD具有更好的收敛性和更均匀的分布性.     

一种改进的多目标蜻蜓优化算法

提出了一种改进的多目标蜻蜓优化算法。通过引入混合变异算子增加种群的多样性,避免算法早熟现象的发生;采用基于拥挤距离的外部档案动态维护策略,使获得的Pareto最优解集具有更好的分布性。最后,使用多目标基准函数进行测试,并与基本多目标蜻蜓算法和基本多目标粒子群算法进行性能比较。实验结果表明,改进后的多目标蜻蜓优化算法提高了Pareto最优解集的收敛性和分布性。     

基于自适应拥挤网格的多目标粒子群算法

粒子群算法求解多目标问题极易收敛到伪Parct。前沿(等价于单目标优化问题中的局部最优解),并且收敛速度较慢。鉴于此,提出一种基于自适应拥挤网格的多目标粒子群算法(ACG-MOPSO)。其特点包括:利用自适应网格和拥挤距离确定外部存档中粒子的密度,并利用密度信息维持外部存档的规模;利用外部存档中非劣解的密度和拥挤距离信息确定全局最优粒子,提升粒子向Parcto前沿收敛的概率。模拟结果表明该算法在求解多目标问题上要优于其它算法。     

基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。     

基于局部搜索与混合多样性策略的多目标粒子群算法

为了提高算法的收敛性与非支配解集的多样性,提出一种基于局部搜索与混合多样性策略的多目标粒子群算法（LH-MOPSO）.该算法使用增广Lagrange乘子法对非支配解进行局部搜索以快速接近Pareto最优解;利用基于改进的Maximin适应值函数与拥挤距离的混合多样性策略对非支配解集进行维护以保留解的多样性,同时引入高斯变异算子以避免算法早熟收敛;最后针对多目标约束优化问题,给出一种有效的约束处理方法.实验研究表明该算法具有良好的优化性能.     

一种改进的小生境多目标粒子群优化算法

提出一种小生境多目标粒子群优化算法。使用环邻域拓扑且无需任何小生境参数,克服常规小生境技术中需确定小生境参数的困难。采用NSGA-II的非支配排序策略和动态加权方法选择最优粒子。基于拥挤度的变异操作引导粒子跳出局部最优,增强算法的全局搜索能力。通过对ZDT1~ZDT4和ZDT6的测试结果表明,与经典的多目标进化算法NSGA-II、PESA-II和MOPSO相比,该算法在最优解集的收敛度与多样性方面具有明显的优势。     

基于平均距离聚类的NSGA-Ⅱ

拥挤度距离是一种用于度量解集多样性的指标. 然而, 在许多情况下, 该指标无法有效区分多样性较优个体. 其原因为拥挤度距离主要利用每个位置的局部信息. 为解决该问题, 基于整个种群全局位置信息, 本文设计了基于平均距离聚类的多样性度量指标, 并进一步提出了基于平均距离聚类的NSGA-Ⅱ. 该算法利用平均距离将种群划分为若干个大致均匀分布的小种群, 然后分别在各小种群内执行选择、交叉和变异等操作. 实验结果表明, 本文所提算法可以有效地保持种群多样性.     

基于随机黑洞和逐步淘汰策略的多目标粒子群优化算法

提出一种基于随机黑洞粒子群算法(RBH-PSO) 和逐步淘汰策略的多目标粒子群优化(MRBHPSO-SE) 算法. 利用RBH-PSO 全局优化能力强和收敛速度快的优点逼近Pareto 最优解; 为了避免拥挤距离排序策略的缺陷, 提出逐步淘汰策略, 并将其应用到下一代粒子的选择策略中. 同时, 动态选择领导粒子, 运用动态惯性权重系数和变异操作 来增强种群全局寻优能力, 以及避免早熟收敛. 利用具有不同特点的测试函数进行验证, 结果表明, 与同类算法相比, 该算法具有较高的精度并兼顾优化解的多样性.

     

多目标自适应混沌粒子群优化算法

提出一种多目标自适应混沌粒子群优化算法(MACPSO). 首先, 基于混沌序列提出一种新型动态加权方法选择全局最优粒子; 然后, 改进NSGA-II 拥挤距离计算方法, 并应用到一种严格的外部存档更新策略中; 最后, 针对外部存档提出一种基于世代距离的自适应变异策略. 以上操作不仅提高了算法的收敛性, 而且提高了Pareto 最优解的均匀性. 实验结果表明了所提出算法的有效性.

     

拥挤距离排序的多目标文化粒子群优化算法

为解决工程优化设计问题,引入文化进化框架,提出一种拥挤距离排序的多目标文化粒子群算法.采用拥挤距离排序算子,并删除密集区域的多余粒子,以保证Pareto前沿的分布均匀性;基于拥挤距离值,从精英知识和条件知识中选择处于最分散区域的粒子,并将其分别作为全局和局部最优,以增强算法全局寻优能力;依据拥挤距离的变化,动态调整粒子群飞行参数,以提高算法收敛效率.通过标准测试问题以及与其他算法的对比,表明了所提出算法的有效性和鲁棒性.     

一种改进的基于pareto解的多目标粒子群算法

研究一种改进的多目标粒子群优化算法,算法采用精英归档策略,利用粒子的个体最优定位,通过Pareto支配关系更新全体粒子最优位置,由档案库中动态提供。根据Pareto支配关系来更新粒子的个体最优位置。使用非劣解目标的密度距离度量非劣解前端的均匀性,通过删除密度距离小的非劣解提高非劣解前端的均匀性。从归档中根据粒子的密度距离大小依照概率选取作为粒子的全局最优位置,以保持解的多样性。标准函数的仿真实验结果表明,所提算法能够获得大量且较均匀的非劣解,快速地收敛于Pareto最优解前端。     

一种新的多目标粒子群优化算法

论文提出了一种基于拥挤度和动态惯性权重聚合的多目标粒子群优化算法,该算法采用Pareto支配关系来更新粒子的个体最优值,用外部存档策略保存搜索过程中发现的非支配解;采用适应值拥挤度裁剪归档中的非支配解,并从归档中的稀松区域随机选取精英作为粒子的全局最优位置,以保持解的多样性;采用动态惯性权重聚合的方法以使算法尽可能地逼近各目标的最优解。仿真结果表明,该算法性能较好,能很好地求解多目标优化问题。     

基于两阶段领导的多目标粒子群优化算法

提出一种基于两阶段领导的多目标粒子群算法(P-AMOPSO).该算法包含4个改进策略:基于强支配排序与拥挤距离排序相结合的构造外部集策略,基于两阶段的领导粒子选择策略,基于高斯分布及均匀分布相结合的变异策略,基于邻域认知的个体极值更新策略.通过几个典型的多目标测试函数对P-AMOPSO算法的性能进行测试,并与多目标优化算法进行对比.结果表明,P-AMOPSO算法具有较好的搜索性能.