基于种群分区的多策略自适应多目标粒子群算法

在多目标粒子群优化算法中,平衡算法收敛性和多样性是获得良好分布和高精度Pareto前沿的关键,多数已提出的方法仅依靠一种策略引导粒子搜索,在解决复杂问题时算法收敛性和多样性不足.为解决这一问题,提出一种基于种群分区的多策略自适应多目标粒子群优化算法.采用粒子收敛性贡献对算法环境进行检测,自适应调整粒子的探索和开发过程;为准确制定不同性能的粒子的搜索策略,提出一种多策略的全局最优粒子选取方法和多策略的变异方法,根据粒子的收敛性评价指标,将种群划分为3个区域,将粒子性能与算法寻优过程结合,提升种群中各个粒子的搜索效率;为解决因选取的个体最优粒子不能有效指导粒子飞行方向,使算法停滞,陷入局部最优的问题,提出一种带有记忆区间的个体最优粒子选取方法,提升个体最优粒子选取的可靠性并加快粒子收敛过程;采用包含双性能测度的融合指标维护外部存档,避免仅根据粒子密度对外部存档维护时,删除收敛性较好的粒子,导致种群产生退化,影响粒子开发能力.仿真实验结果表明,与其他几种多目标优化算法相比,该算法具有良好的收敛性和多样性.     

基于分解和差分进化的多目标粒子群优化算法

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.     

基于多策略的多目标粒子群优化算法

针对目前多目标粒子群优化算法的收敛性能和非劣解的多样性不能同时得到满足等缺陷,提出一种基于多策略的多目标粒子群优化算法（Multi-Objective Particle Swarm Optimization algorithm for Multi-Strategy,MS-MOPSO）。采用非支配排序和拥挤距离排序相结合策略,重新划分外部种群和进化种群;采用小生境选择策略,在外部种群中选择最佳粒子作为领导粒子,用于领导进化种群中粒子的进化;在进化种群中利用多尺度高斯变异策略,平衡算法的全局搜索和局部精确搜索;采用邻域认知个体极值更新策略,不断更新个体极值。将该算法应用到典型的多目标测试函数,并与其他多目标优化算法进行对比分析,测试结果表明该算法中四个策略的有效性和互补性,同时验证了该算法不但具有较好的收敛性和收敛速度,而且该算法最优解的分布具有良好的均匀性和多样性。     

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．     

自组织多目标粒子群优化算法

针对多目标粒子群优化算法收敛性和多样性难以平衡的问题,提出一种利用问题的结构信息来解决多目标问题的自组织多目标粒子群算法。通过自组织映射网络发现种群和非支配解集分布的结构,构造出当前粒子的邻域关系,从邻域中选出非支配解,从而引导种群局部和全局的搜索。提出了精英学习策略,通过对精英粒子进行变异,引导算法跳出局部最优。实验结果表明,所提算法可以兼顾收敛性和多样性,有效地解决多目标优化问题。     

基于融合多策略改进的多目标粒子群优化算法

为进一步提高多目标粒子群算法的收敛性和多样性,提出一种多策略融合改进的多目标粒子群优化算法.首先,引入分解思想以增加Pareto解集的多样性;然后,在速度和位置更新时,引入“多点”变异,即随着迭代次数的递增,根据相应判据对位置的更新作出不同的变异,避免算法早熟现象的发生;最后,将更新后种群和最优解集进行非支配排序,最优解放入精英外部存档.仿真实验结果表明,与另外4种进化算法对比,所提出算法表现出良好的整体性能.     

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。     

基于直觉模糊熵的粒子群多目标优化

针对现有多目标算法存在的收敛性不强、分散性不高等问题,提出了一种基于直觉模糊熵的粒子群多目标优化算法(IFEMOPSO)。首先,计算出种群的直觉模糊熵(IFE),作为衡量种群在多目标空间下多样性的测度;其次,设计基于IFE的惯性权重动态变化、外部档案调用以及变异操作等3种增强算法探索力度的策略,建立了直觉模糊多目标规划模型,有效地提高了群体进化过程中的多样性,防止了算法陷入局部收敛;最后,仿真结果表明,所提算法很好地提高了所得非劣解集的收敛性和分散性,有效地解决了多目标优化问题。     

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．

     

基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法

针对多目标粒子群优化算法全局最优位置〖BP(〗(gbest)〖BP)〗选取存在的缺陷和局部搜索能力弱的缺点,提出一种基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法MOPSO-GL。首先对Sigma法进行改进,引入拥挤距离机制,不再是粒子从档案中选择全局最优位置,而是档案成员从种群中选择合适的被引导粒子,引导种群均匀快速地向Pareto前沿飞行,提高了Pareto解的收敛性和多样性;其次当种群寻优能力减弱时,引入基于Skew Tent映射的变尺度全面搜索混沌优化策略对外部档案进行局部搜索,以提高算法的收敛性;最后通过与其他多目标优化算法的比较,结果表明MOPSO-GL具有更好的收敛性和分布性。     

基于定期竞争学习的多目标粒子群优化算法

为提高种群的多样性和算法的收敛性，提出一种基于定期竞争学习机制的多目标粒子群算法。该算法将多目标粒子群算法和竞争学习机制相结合，即每隔一定迭代代数便使用一次竞争学习机制，很好地保持了种群的多样性；同时，该算法不需要全局最优粒子的外部存档，而是从当前代种群中选取一部分优秀的粒子，再从这些优秀的粒子中随机选取一个作为全局最优粒子，能够有效提升算法的收敛性。将提出的算法与基于分解的多目标粒子群算法（MPSOD）、基于竞争机制且快速收敛的多目标粒子群（CMOPSO）算法、参考向量引导的多目标进化算法（RVEA）等8个算法在21个标准测试函数上进行了比较，结果表明，所提算法的帕累托（Pareto）前沿更加均匀，在世代距离（IGD）上会更加小。     

粒子置换的双种群综合学习PSO算法

针对粒子群算法(PSO)种群多样性低和易于陷入局部最优等问题,提出一种粒子置换的双种群综合学习PSO算法(PP-CLPSO).根据PSO算法的收敛特性和Logistic映射的混沌思想,设计并行进化的PSO种群和混沌化种群,结合粒子编号机制,形成双种群系统中粒子的同号结构和同位结构,其中粒子的惯性权重根据适应度值自适应调...     

一种新的自适应动态文化粒子群优化算法

为了克服粒子群优化算法在解决复杂问题时易陷入局部最优的缺陷, 提出了一种新的自适应动态文化粒子群优化算法。该算法引入评价粒子群早熟收敛程度的指标来判断种群空间粒子群状态, 以确定影响函数对种群空间粒子群的作用时机, 当算法陷入局部最优时, 自适应地利用影响函数对种群空间进行变异更新, 从而有效发挥文化粒子群算法的双演化双促进机制。并且根据种群的早熟收敛程度自适应地调整粒子的惯性权重, 使种群在进化过程中始终保持惯性权重的多样性, 在算法的全局收敛性与收敛速度之间作一个很好的折中。最后对四个经典的测试函数进行仿真, 结果表明该算法具有很强的搜索能力, 收敛速度和收敛精度也有所提高。     

具有重组学习和混合变异的动态多种群粒子群优化算法

为解决粒子群优化算法中种群多样性与收敛性间的矛盾,提出一种具有重组学习和混合变异的动态多种群粒子群优化算法.该算法动态划分多种群并融入重构粒子作为引导因子,在增加种群多样性的同时保留优秀粒子的空间信息;在算法执行阶段对最优个体施加混合变异,基于时变概率实施反向学习策略或者邻域扰动操作,帮助粒子快速跳出局部困境,加强对附近区域内的精细搜索.基于14个多类型标准测试函数,并与其他的改进粒子群算法进行对比,验证了几种改进措施的有效性和叠加影响.为进一步探究概率性混合变异策略的敏感性,对变异方式及参数设置进行仿真实验,结果表明,所采用的极值扰动策略具有显著的优势,合理地控制学习强度可以充分发挥反向学习的作用,并给出影响参数的建议取值范围.实验结果还表明,所提出的算法能够更好地平衡种群的开发与勘探能力,提高求解精度和收敛性能.     

带偏向性轮盘赌的多算子协同粒子群优化算法

针对粒子群优化算法在处理高维、大规模、多变量耦合、多模态、多极值属性优化问题时易早熟收敛等性能和技术瓶颈,基于粒子群优化算法行为学习算子和3种不同学习偏好的差分变异算子,建立带偏向性轮盘赌的多算子选择与融合机制,提出一种带偏向性轮盘赌的多算子协同粒子群优化算法MOCPSO.MOCPSO针对迭代粒子群榜样粒子集,首先通过对迭代种群及其榜样粒子集优劣分组,同时采用轮盘赌分别为每组榜样粒子集选配不同学习偏好的变异算子,并为每组榜样粒子适配差分基向量和最优基向量,预学习并优化迭代种群及其榜样粒子,以权衡算法的全局探索和局部开发;然后通过合并所有子种群,并结合粒子群优化算法行为学习算子,指导迭代种群状态更新,以提高算法的全局收敛性;最后结合精英学习策略,对群体历史最优进行高斯扰动,以提高算法的局部逃生能力,保障算法收敛的多样性.实验结果表明,MOCPSO算法与5种先进的同类型群智能算法在求解CEC2014基准测试问题上具备竞争力,且有更强的优化特性.     

动态学习混沌映射的粒子群算法

传统粒子群优化算法（PSO）对社会认知部分与自我认知部分都采用恒定学习常数,一定程度上限制种群全局协调能力。在算法收敛后期种群多样性丧失而导致全部个体收敛于搜索空间中的某一点,这易诱发早熟现象。针对这种缺陷提出一种动态学习混沌映射的粒子群优化算法（VLCMPSO）。在算法初期迭代中应多考虑自身记录的最佳点,在算法后期应快速向种群最佳点收敛,因而设计一种进行协调的动态学习因子。为克服早熟现象,判断种群多样性方差低于设定阈值时,以混沌映射的方式将该代最优个体位置更新且以新的方式进行优化操作。经实验证明新算法在收敛速度与精度上都具有更好的性能。     

一种快速多种群的粒子群多模优化算法

针对粒子群多模优化问题中存在的易早熟、收敛速度慢及寻优精度低等问题,提出了一种快速多种群的粒子群多模优化算法。首先采用动态半径及种群划分策略,避免了多种群区域重叠问题;然后引入拓扑机制,使种群内粒子在速度上保持同步,以群落为单位在解空间上飞行,加快进化速度;同时增加种群之间的交流,在多样性和快速收敛之间达到平衡;最后采用随机权重、异步变化因子及种群淘汰策略,提高算法的搜索能力和学习能力。通过几个典型测试函数的实验结果表明,该算法具有较好的多模态寻优率,在收敛速度和精度等方面均有提高。     

一种高效粒子群优化算法

针对标准粒子群算法收敛速度慢和易出现早熟收敛等问题,提出一种高效粒子群优化算法．首先利用局部搜索算法的局部快速收敛性,对整个粒子群目前找到的最优位置进行局部搜索;然后,为了跳出局部最优,保持粒子的多样性,给出一个学习算子．该算法能增强算法的全局探索和局部开发能力．通过对10个标准测试函数的仿真实验并与其他算法相比较,结果表明了所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力,优化性能得到显著提高．     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

优化复杂函数的粒子群-鸽群混合优化算法

针对复杂函数优化问题,提出一种两阶段混合优化算法。对基本粒子群和鸽群算法进行改进,引入惯性因子和跳跃算子增强了粒子群算法的搜索能力,提出干扰算子增加了鸽群算法的种群多样性。将改进后的两种算法相结合,形成两阶段混合优化算法,同时定义了一种多样性函数对种群进行实时监测,以保证种群的多样性。采用两组经典测试函数,对算法性能进行测试。结果表明,算法适用于求解复杂函数优化问题,且具有较好的收敛速度和收敛精度。