一种多目标粒子群改进算法的研究

针对多目标粒子群优化过程中的粒子飞行偏向性和多样性损失问题,提出一种基于最大最小适应函数的改进算法．该算法在最大最小适应函数的计算中引入了函数相对值算法和ε-支配的概念,并提出了变ε-支配的策略,改进了最大最小适应函数的计算方法,解决了粒子飞行过程中的偏向性和多样性损失问题,加快了算法的收敛速度．将该改进算法应用于直流变频压缩机启动时峰值电流和启动转速的优化问题,应用结果表明该算法收敛速度快且效果良好．

     

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.     

基于雁群启示的粒子群优化算法

粒子群优化（PS0）算法是一类新兴的随机优化技术，其思想来源于人工生命和演化计算理论。PSO通过粒子追随个体极值和全局极值来完成优化。本文借鉴生物界中雁群的飞行特征，给出了一种改进的PSO算法。该算法一方面将粒子排序，每个粒子跟随其前面那个较优粒子飞行，保持了多样性；另一方面使每个粒子利用更多其他粒子的有用信息，加强粒子之间的合作与竞争。用3个基准函数对新算法进行实验，结果表明，新算法不仅具有更好的收敛精度和更快的收敛速度，而且能更有效地进行全局搜索。     

自适应进化多目标粒子群优化算法

提出一种自适应进化粒子群优化算法以求解多目标优化问题．采用非支配排序策略和动态加权法选择最优粒子,引导种群飞行,提高Ｐａｒｅｔｏ解的多样性．采用动态惯性权重,提高其全局寻优能力．当种群的寻优能力减弱时,采用变异操作以引导粒子群跳出局部最优．通过ＺＤＴ１～ＺＤＴ４ 基准函数验证,该算法能够在保持优化解多样性的同时实现较好的收敛性．与其他多目标进化算法和多目标粒子群优化算法相比,该算法具有较好的性能．     

基于自适应学习的多目标粒子群优化算法

将进化算法应用于某些多目标优化问题时,采用增加种群规模和进化代数的方法往往耗费大量的目标函数计算开销,且达不到提高种群进化效率的目的,为此提出了一种基于自适应学习最优搜索方向的多目标粒子群优化算法。采用自适应惯性权值平衡算法的全局和局部搜索能力,采用聚类排挤方法保持Pareto非支配解集的分布均匀性,使用最近邻学习方法为每个粒子在Pareto非支配解集中寻找一个最优飞行目标来提高其收敛速度并保持粒子群搜索方向的多样性。实验结果表明,提出的算法可在显著地降低函数评估成本的前提下实现快速的搜索,并使粒子群均匀地逼近Pareto最优面。     

动态调整惯性权重的粒子群优化算法

针对高维复杂优化问题,提出一种改进适应度函数和动态调整惯性权重的粒子群优化算法.首先考虑了搜索点的函数值及其变化率,并将该信息加入适应度函数.利用维惯性权重矩阵自适应动态调整惯性权重,较好地平衡了算法的全局探索和局部开发,并分析了惯性权重随种群多样性的变化关系.在算法后期计算每一维的收敛度,以一定的概率对收敛度最小的维进行变异,以加快算法的收敛速度.对高维测试函数的实验表明,算法提高了全局搜索能力.     

基于二进制粒子群优化的一个最小属性约简算法

研究基于二进制粒子群优化算法思想求解决策表最小属性约简问题的方法.定义适当的适应值函数,将决策表最小属性约简问题转化为一个适合二进制粒子群优化算法求解的0-1组合优化问题,证明问题解的等价性.在此基础上,引入种子粒子概念及其自适应保护策略,提出一个改进的二进制粒子群算法,取得良好的效果.实验结果说明该算法的有效性.     

综合密度信息的矢量变异多目标粒子群优化

粒子群优化算法求解多目标优化问题存在早熟收敛和后期收敛速性差的不足,解的分布性也有待提高。为此设计一种新的多目标粒子群优化算法：对寻求粒子最优解的sigma方法进行改进,提出一种综合非支配解密度信息和sigma值的最优解求解机制。对变异粒子速度进行矢量扰动变异;对停滞粒子进行位置变异,有效避免算法的早熟收敛问题。测试结果表明,所提出的算法在收敛性和解的分布性、多样性方面较经典的算法具有明显的优势。     

求解约束优化问题的动态邻域粒子群算法*

粒子群算法(PSO)求解约束优化问题存在较严重的早熟收敛现象,为了有效抑制早熟收敛,提出了基于改进的约束自适应方法的动态邻域粒子群算法(IPSO)。算法采用动态邻域策略提高算法的全局搜索能力,设计了一种改进的自适应约束处理方法,根据迭代代数线性增加搜索偏向系数,在早期偏向于搜索可行解,在后期偏向于搜索最优解,并引入序列二次规划增强算法的局部搜索能力。通过基准测试函数实验对比分析,表明该算法对于约束优化问题具有较好的全局收敛性。     

一种分阶段的改进多目标粒子群优化算法

在多目标优化问题求解上,粒子群优化算法存在所得最优解集精度不足、分布不够均匀的缺点,针对上述问题,提出了一种多种群分阶段的多目标粒子群优化算法.算法对外部档案个体采取多种算子进行处理以提高解集的收敛精度,引入简化粒子群优化模型使算法更适应多目标优化问题的求解,通过分阶段选取领导个体以及分阶段采取不同策略对非支配解集进行维护以维持解分布均匀性的同时提高收敛速度,重点改善高维多目标优化问题的解集分布均匀性.实验结果表明,改进算法所得的非支配解集具有更好的分布均匀性和收敛精度.     

自适应种群更新策略的多目标粒子群算法

针对粒子种群较差的局部搜索能力,提出了一种自适应种群更新策略的多目标粒子群算法。该算法在每次种群进行迭代时,根据种群的多样性测度以及每个粒子的适应度值,自适应地改变速度权重,以此来提高种群粒子在局部搜索时的活性,使算法具有较强的局部搜索能力同时又保留了足够的全局搜索能力。最后利用多组经典测试样例进行仿真,并与传统的粒子群算法以及速度线性衰减算法做比较,在单目标优化中,自适应粒子群算法能够更快地寻找最优位置;在多目标优化中,自适应粒子群算法能够更快速地收敛于帕累托最优边界。     

基于动态多粒子群的多目标优化算法

为了让多目标粒子群优化算法在运行过程中保持粒子的多样性,提出了一种初始化方法和动态多粒子群协作的多目标优化算法。根据粒子群在决策空间中的分布情况动态增加或者减少粒子群数量;为避免粒子收敛速度过快,改进了决定粒子飞行速度的因素,速度值依赖于粒子当前速度惯性、粒子最优值,群最优值和所有群最优值。用五个测试函数对算法进行了测试并与多目标粒子群优化进行了比较,测试结果表明提出的算法优于多目标粒子群优化算法。     

多目标粒子群和人工蜂群混合优化的阈值图像分割算法

在图像分割中,为了准确地把目标和背景分离出来,提出了一种基于多目标粒子群和人工蜂群混合优化的阈值图像分割算法。在多目标优化的框架下,将改进的类间方差准则和最大熵准则作为适应度函数,通过粒子群和蜂群混合优化这2个适应度函数来获得1组非支配解。同时,为了提高全局和局部搜索能力,在蜂群进化时,将粒子群的全局最优解引入到人工蜂群算法的雇佣蜂阶段蜜源的更新中,并对搜索方程进行改进。最后通过类间差异和改进的类内差异的加权比值,从一组非支配解中选取最优阈值。实验结果表明,该算法能够取得理想的分割结果。     

混合粒子群优化算法

针对粒子群优化算法在处理高维复杂函数时存在收敛速度慢、易陷入早熟收敛等缺点,提出了混合粒子群优化算法。它借鉴群体位置方差的早熟判断机制,把基因换位和变异算子引入到算法中,构造出新的个体和个体基因的适应值函数,将适应值最差的基因进行变异。为减少算法计算量,采用耗散的粒子群算法结构。实验表明,该算法比只有一个适应值的粒子群算法具有更快的收敛速度。且具有很强的避免局部极小能力,其性能远远优于单一优化方法。     

MOPSO算法及其在水库优化调度中的应用

提出了一种新的多目标粒子群优化(MOPSO)算法，该算法采用自适应网格方法来估计非劣解集中粒子的密度信息、平衡全局和局部搜索能力的Pareto最优解的搜索机制、删除品质差的多余粒子的Archive集的修剪技术。通过对三峡梯级多目标优化调度问题的计算，表明该算法是求解大规模复杂多目标优化问题的一种有效手段。     

基于模糊物元模型的高维多目标FJSP研究*

为解决高维多目标柔性作业车间调度问题,提出了一种基于模糊物元模型与粒子群算法的模糊粒子群算法（Fuzzy Particle Swarm Optimization,FPSO）。该算法以模糊物元分析理论为依据,采用复合模糊物元与基准模糊物元之间的欧式贴近度作为适应度值引导粒子群算法的进化,并引入具有容量限制的外部存储器保留较优的Pareto非支配解以供决策者选择。此外,构建了优化目标为最大完工时间、设备总负荷、加工成本、最大设备负荷与加工质量的高维多目标优化模型,并以Kacem基准问题与实际生产数据为例进行仿真模拟与对比分析。结果表明,该算法具有良好的收敛性且搜索到的非支配解分布性较好,能够有效地应用于求解高维多目标柔性作业车间调度问题。     

自适应中心引力优化算法

针对函数全局优化问题,提出了一种自适应中心引力算法,以平衡全局探测能力和局部搜索能力。首先定义粒子的适应值函数,然后根据与平均适应值的比较,更新粒子运动时间,并引进交叉操作更新当前粒子位置,从而提高算法的收敛速度。最后选择8个典型测试函数进行测试,并与中心引力优化算法和其他粒子群优化算法进行比较。结果表明,该算法得到的结果十分精确,鲁棒性强,优于其他算法。     

均衡分布性和收敛性的多目标粒子群优化方法

粒子群优化（PSO）算法是一种基于群体演化且非常有效的求解多目标优化问题的方法,但因经典算法中粒子进化存在趋同性导致算法易陷入局部Pareto最优前沿,使得解集收敛性和分布性不理想。为此提出了一种均衡分布性和收敛性的多目标粒子群优化（DWMOPSO）算法,算法中每个粒子根据自身在进化过程中记忆的个体最好适应度值构建进化速度,由进化速度的快慢动态调整各粒子惯性权重,增加粒子的多样性,从而提高粒子跳出局部最优解的概率。通过在5个标准测试函数上进行仿真实验,结果表明,与Coello的多目标粒子群优化(MOPSO)算法相比,DWMOPSO算法获得的解集在与真实解集的逼近性和解集的分布性两个方面都有了很大的提高。     

一种多尺度协同变异的粒子群优化算法

为了改善粒子群算法易早熟收敛、精度低等缺点,提出一种多尺度协同变异的粒子群优化算法,并证明了该算法以概率1收敛到全局最优解.算法采用多尺度高斯变异机制实现局部解逃逸.在算法初期阶段,利用大尺度变异及均匀变异算子实现全局最优解空间的快速定位;随着适应值的提升,变异尺度随之降低;最终在算法后期阶段,利用小尺度变异算子完成局部精确解空间的搜索.将算法应用6个典型复杂函数优化问题,并同其他带变异操作的PSO算法比较,结果表明,该算法在收敛速度及稳定性上有显著提高.     

含区间参数多目标系统的微粒群优化算法

参数不确定优化问题是实践中经常遇到的复杂优化问题, 现有方法多针对单目标函数的情况. 本文利用微粒群优化算法解决含区间参数多目标优化问题, 提出一种基于概率支配的多目标微粒群优化算法. 该算法通过定义概率支配关系, 比较所得解的优劣; 基于 σ 区间值, 选择微粒的全局极值点, 并给出新的微粒个体极值点及外部储备集的更新策略. 与传统多目标微粒群优化算法比较, 仿真结果表明本文所提算法的有效性.