改进的粒子群求解多目标优化算法

根据粒子群算法求解多目标问题的特点,个体极值和全局极值的选择不同会对实验结果产生很大影响。目前普遍的选择方法仅仅根据简单的支配关系,但是会存在两个解之间没有支配关系而导致不去更新个体最优值（PB）和全局最优值（GB）,这样会导致更好的个体极值和全局极值的遗漏从而降低收敛时间。文中提出一种新的个体极值和全局极值的选择策略。使用这种策略,可以加快收敛,提高准确性,防止非劣解的遗漏。通过几个测试函数的实验仿真,所得解集的分步性和多样性都有显著的提高。     

基于粒子群算法求解多目标优化问题

粒子群优化算法自提出以来,由于其容易理解、易于实现,所以发展很快,在很多领域得到了应用．通过对粒子群算法全局极值和个体极值选取方式的改进,提出了一种用于求解多目标优化问题的算法,实现了对多目标优化问题的非劣最优解集的搜索,实验结果证明了算法的有效性．     

求解多目标优化问题的自适应粒子群算法

提出了一种基于自适应惯性权重的多目标粒子群优化算法AWMOPSO,采用新的适应值分配机制,在搜索过程中根据粒子的适应值对粒子进行分类,动态调整粒子的惯性权重以控制粒子的开发和探索能力。用外部精英集保存非支配解,并通过拥挤距离维持解的多样性。引入精英迁移和局部扰动策略,提高收敛的速度和精度。典型的测试函数的计算结果表明了算法能够快速逼近Pareto最优前沿,是求解多目标优化问题的有效方法。     

求解多目标优化问题的灰色粒子群算法

鉴于基本粒子群算法无法解决高维多目标优化问题,提出了一种适合求解高维多目标优化问题的灰色粒子群算法(GPSO),该算法根据灰色关联能够很好地分析目标矢量之间的接近程度,并能掌握解空间全貌的特点,利用灰色关联度的大小来选取粒子群算法中的全局极值和个体极值。实验结果证明,该算法可行而有效,同时也拓展了粒子群算法的应用领域。     

求解约束优化问题的多目标粒子群算法*

提出一种多目标粒子群算法处理约束优化问题(MOCPSO). 首先将约束优化问题转化为多目标问题, 然后给出一个不可行阈值来充分地利用不可行粒子的信息引导种群的飞行; 并提出一种粒子间的比较准则以比较它们的优劣; 最后, 为了增加种群的多样性, 提升种群跳出局部最优解的能力, 引入高斯白噪声扰动. 选取有代表性的标准测试函数对MOCPSO算法的性能进行仿真实验, 相比较其它算法, 结果显示MOCPSO算法是求解约束优化问题的有效算法.     

改进的多目标粒子群优化算法

为提高解决多目标优化问题的能力,提出一种改进的多目标粒子群优化算法。该算法采用均匀随机初始化方法初始种群,采用快速支配策略选取非支配解,生成外部档案;通过比较粒子连续几代的更新情况来判断是否陷入局部最优并相应地采取不同的更新策略,同时引入变异因子对粒子进行扰动。实验结果表明,在世代距离GD(Generational Distance)和空间评价方法 SP(Spacing)性能指标上,改进之后的算法与另外几种对等算法相比,具有显著的整体优势。     

一种求解多目标优化问题的粒子群算法

提出一种多目标粒子群算法,其采用外部集合保存当前找到的最优解集,采用强ε支配关系更新外部集合,使解集保持良好的分布性.对粒子全局极值的选取设计新的选择思路,提出极值变异的思想,采用新的粒子更新策略加快解集的收敛,加入自适应变异算子避免陷入局部非劣最优解.通过使用一系列标准的测试函数进行实验,实验结果表明该算法在保持解集分布性和收敛性方面较有效,且实现简单、表现稳定.     

改进粒子群优化算法求解TSP问题

针对粒子群优化算法易陷入局部极值的缺点,提出一种改进粒子群算法,该算法借鉴贪婪算法的思想初始化种群,利用两个种群同时寻优,并将遗传算法中交叉和变异操作引入其中,实现种群间的信息共享。用14点TSP标准数据对算法性能进行了测试,结果表明该算法能够较早跳出局部最优,具有较高的收敛速度和收敛率。     

求解SAT问题的改进粒子群优化算法

利用限制哆公式的相关理论将可满足性问题（SAT）等价转换为定义在{0,1}^n上的多项式函数优化问题,并将二进制粒子群优化算法（BPSO）与局部爬山搜索策略相结合,给出了一种求解SAT问题的新算法：基于局部爬山搜索的改进二进制粒子群优化算法（简称IBPSO）．数值实验表明,对于随机产生的3-SAT问题测试实例,该算法的计算结果均优于著名的WalkSAT算法和SATI．3算法．     

改进的量子粒子群多目标优化算法

针对粒子群优化算法容易陷入局部极值点的问题,提出了一种新的量子比特粒子群算法,该算法采用Pareto支配关系来更新粒子的个体最优值和局部最优值;定义极大极小距离,并采用该距离方法裁减非支配解.实验结果表明该算法能更好地接近Pareto前沿且具有更好的分布性,更适合于求解复杂高维优化问题,是一种非常有潜力的多目标优化方法.     

多策略改进的多目标粒子群优化算法

为了进一步提高多目标粒子群优化算法的收敛性和多样性,提出一种多策略改进的多目标粒子群优化算法.建立具有精英粒子领导的异构更新模式并设置个体学习增强因子项,促使种群能够快速寻找真实Pareto最优解.引入外部档案冗余机制,利用其变异及对种群的干扰策略增强解的多样性,避免算法早熟现象的发生.仿真实验结果表明,与其他几种优化算法相比,所提出的算法表现出较好的收敛性和多样性.     

改进粒子群优化算法求解任务指派问题

任务指派问题是典型NP难题,引入粒子群优化算法对其进行求解。建立了任务指派问题的数学模型,给出了粒子群优化算法求解任务指派问题的具体方案。为提高其优化求解效果,引入变异机制及局部更新机制对粒子群优化算法进行改进。实例及数字仿真验证了改进粒子群优化算法的有效性。     

求解VLSI布图规划问题的多目标粒子群优化算法

布图规划在超大规模集成电路(VLSI)物理设计过程中具有重要作用,它是一个多目标组合优化问题且被证明是一个NP问题。为了有效解决布图规划问题,本文提出一个多目标粒子群优化(PSO)算法。该算法采用序列对表示法对粒子进行编码,根据遗传算法交叉算子的思想对粒子更新公式进行了修改;引入Pareto最优解的概念和精英保留策略,并设计了一个基于表现型共享的适应值函数以维护种群的多样性。仿真实验通过对MCNC标准问题的测试表明了本文算法是可行且有效的。     

求多目标优化问题的粒子群优化算法

将粒子群优化算法应用于求解多目标优化问题,提出一种双向搜索机制,指导粒子向着搜索空间中非劣目标区域以及粒子分布最为稀疏的区域这两个方向进行寻优,进而提出了求解多目标优化问题的基于粒子群优化算法的双向搜索法,该算法对粒子全局最优经验的选择策略以及粒子群的状态更新机制进行了改进。实验研究表明,该算法不仅能快速有效地获得多目标优化问题的非劣最优解集,而且求出的解集具有良好的分布性。     

改进的粒子群算法求解非线性约束优化问题

提出了一种改进的粒子群算法（Improved Particle Swarm Optimization,IPSO）,使用了一种新型的变异策略,并在搜索过程中将部分邻近的个体聚集成核,从而形成多子群引导粒子探测新的搜索区域,采用了简单易行的罚函数约束处理机制,使算法在求解较难的非线性约束优化问题时具有很强的全局搜索能力与效率。对比数值实验结果表明,该算法能够有效、稳定地求解非线性约束优化问题。     

基于粒子群灰狼混合算法的多目标约束优化问题求解

近年来,多目标优化问题引起了广泛关注,其求解目标多、目标函数复杂,当前方法通常将所有目标加权后求解,但这些方法会造成解集缺乏准确性.针对上述情况,本文首先根据目标分解的框架：辅助目标和等价目标约束优化框架,该框架是将约束优化的问题分解为辅助目标和等价目标相结合的优化问题,同时动态调整所分解出的对应子问题的权值,使分解出的子问题求解趋向于等价目标求解.其次基于粒子群优化算法和灰狼优化算法的各自优势,提出参数自适应的粒子群灰狼混合算法,混合算法的优势集合了粒子群算法的收敛性快和灰狼算法的搜索过程多样性,从而提高粒子进化过程的准确性.通过IEEE CEC2017数据集测试的结果表明：在调参合适的情况下,获得的函数最优值个数多于乌鸦搜索、受约束的模拟退火、带约束的水循环等经典算法,在10D情况下,28个测试函数中11个测试函数表现最佳;在30D的情况下,12个测试函数表现最佳.     

改进的粒子群优化算法求解车辆调度问题

采用对基本粒子群优化算法引入遗传操作来提高种群多样性,这样虽能避免产生局部极小,但收敛速度会降低,通过加入收缩因子来达到两者的均衡。优化和仿真结果表明改进算法性能更优,能有效地解决公交车辆的智能排班问题。     

求解VLSI 电路划分问题的混合粒子群优化算法

电路划分是VLSI物理设计过程中的一个关键阶段.该问题本质上是一个NP困难的组合优化问题.针对该问题,提出了一种带FM策略的混合粒子群优化算法.引入遗传算法的两点交叉算子和随机两点交换变异算子,保证了粒子在位置更新后依然可行;为了提高算法的局部搜索能力,将具有较强局部搜索能力的FM策略融入算法的位置更新;设计了种群多样性变异策略,提高了种群多样性,避免了易陷入局部最优的缺陷.对ISCAS89标准测试电路的仿真实验结果表明,所构造的算法是有效的.     

求解约束优化的改进粒子群算法

针对种群初始化时粒子过于集中和基本粒子群算法搜索精度不高的缺陷,提出了一种求解约束优化问题的改进粒子群算法。该算法引入佳点集技术来优化种群的初始粒子,使种群粒子初始化时分布均匀,因而种群具有多样性,不会陷入局部极值;同时使用协同进化技术使双种群之间保持通信,从而提高算法的搜索精度。仿真实验结果表明：将该算法用于5个基准测试函数,该算法均获得了理论最优解,其中有4个函数的测试方差为0。该算法提高了计算精度且鲁棒性强,可以广泛应用于其他约束优化问题中。     

求解机械优化的Pareto多目标中心粒子群算法

针对基于权重法的多目标算法无法求解约束多目标问题的缺陷,将中心粒子群算法与Pareto解集搜索算法相结合,提出一种Pareto多目标中心粒子群算法。将此方法用来优化气门弹簧的模型,实验结果表明,该优化方法能够快速准确地收敛于Pareto解集,并且使其对应的目标域均匀地分布于Pareto最优目标域。