基于动态邻居和变异因子的多目标粒子群算法*

为了克服粒子群算法求解多目标问题极易收敛到伪Pareto前沿(等价于单目标优化问题中的局部最优解)和收敛速度较慢的缺陷,提出一种合并帕累托占优概念到动态邻居和变异因子的粒子群算法(particle swarm optimizer based on dynamic neighbor topology and mutation operator,DNMPSO)来处理多目标优化问题(DNMMOPSO),该算法也合并了外部存档技术来存储每次迭代产生的非劣解。模拟结果表明,提出的算法在多目标检测问题上要优于其他算法     

基于动态多种群的多目标粒子群算法

研究进化算法在求解多目标优化问题时,极易陷入到伪Pareto前沿(等价于单目标优化问题中的局部最优解),为了提高优化过程,提出一种基于动态多种群的多目标粒子群算法(DMSMOPSO).在DMSMOPSO算法中,为了增加种群的多样性,提升粒子跳出局部最优解的能力,采用多子群进行搜索并且子群是动态地进行构建;采用K-均值聚...     

基于自适应动态邻居和广义学习的改进粒子群算法

为了克服粒子群算法在求解多峰函数时极易陷入局部最优解的缺陷, 提出一种基于自适应动态邻居广义学习的改进粒子群算法(ADPSO)。在ADPSO算法中, 根据每个粒子邻居中最好运行粒子的状态动态地调整邻居拓扑结构;每个粒子的学习样本包括全局最优粒子、自身最优粒子和粒子邻居中最优运行粒子;并且在新产生的粒子位置上, 加上一个随机位置以增加粒子向全局最优解移动的概率。在基准函数的测试中, 结果显示ADPSO算法比其他PSO算法有更好的运行效果,是求解多峰问题的一种有效算法。     

多目标优化的粒子群算法研究

本文介绍了粒子群优化算法PSO中的多目标优化的粒子群算法及其应用,并将其运用在防守对方多个前锋球员的进攻威胁,以粒子群算法随机性来适应不断变化的形势。     

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．     

一种邻居动态调整的粒子群优化算法

为了达到全局寻优能力与寻优速度的平衡,提出一种邻居动态调整的粒子群优化算法。该算法依据粒子的多样性变化和进化状态,实现邻居结构的动态改变。算法引入种群熵评估粒子的多样性,定义粒子邻居扩充因子和局部影响因子来描述粒子的进化状态,并提出邻居扩充与约束策略来控制好粒子的影响力。实验结果表明,该算法具有较强的全局寻优能力和较好的寻优速度。     

基于粒子群的多目标优化算法

论文提出了一种新的基于粒子群的多目标优化算法。用搜索过程中所发现非劣解的一部分构成精英集,将其作为粒子群的历史最佳,引导粒子群的搜索,并通过小生境技术和部分变异的方法来提高非劣解集的多样性和分散性。对三个典型多目标测试函数所作实验的结果验证了该方法的有效性和快速性,结果还表明:该方法所得非劣解集在分散性、错误率和逼近程度等量化指标上优于FFGA、SPEA、PAES、NSGA等方法,是一种非常有潜力的多目标优化方法。     

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。     

一种基于粒子群算法的改进多目标文化算法

提出一种基于粒子群算法的改进多目标文化算法并用于求解多目标优化问题.算法中群体空间采用多目标粒子群优化算法进行演化;信念空间通过对形势知识、规范化知识和历史知识的重新定义使之符合多目标优化问题;信念空间和群体空间的交互通过自适应的接受操作和影响操作来实现.若干多目标标准测试函数的仿真结果表明,改进多目标文化算法能够在保持Pareto解集多样性的同时具有较好的均匀性和收敛性.     

一种基于动态邻居和变异因子的粒子群算法

提出一种基于动态邻居和变异因子的粒子群算法(DNMPSO).在该算法中,粒子的邻居是根据它的运行而动态变化.每个粒子的学习机制分为自己的历史经验和所有邻居的经验两部分.为了保证有效求解多峰问题,在每一次迭代,对当前解采用水平混合变异,使每个粒子能更好地进行局部搜索,提升粒子跳出局部最优解的能力.通过与其他算法比较,结果表明该算法求解多峰问题的能力最优.     

基于聚集密度的粒子群多目标优化算法

为了改善粒子群多目标优化算法的分布性,引入了聚集密度以进行精英集的更新。其基本思想为：计算群体中每个个体的聚集密度,根据目标函数值和聚集密度定义一个偏序集,采用比例选择原则依次从偏序集中选择个体,更新精英集。通过数值实验用量化指标研究了新算法的收敛性和分布性,结果表明：新算法的收敛性与常规粒子群多目标优化算法相当,但分布性有了明显的提高。     

多子群协同进化的多目标微粒群优化算法

微粒群优化(PSO)算法是一种非常有竞争力的求解多目标优化问题的群智能算法,因其容易陷入局部极值,导致非劣解集的收敛性和正确性不理想。为此提出一种基于多目标分解进化策略的多子群协同进化的多目标微粒群优化算法(MOPSO_MC),算法中每个子群对应于一个多目标分解之后的子问题,并构造了一种新的速率更新策略,每个粒子跟踪自身历史最优值、子群最优值和子群邻域最优值,从而在增强算法的局部寻优能力的同时,也能从邻域子群获得进化信息,实现协同进化。最后通过仿真实验,与现在主流的多目标微粒群算法在ZDT基准测试函数上比较,验证了算法的收敛性,解分布的均匀性和正确性。     

基于交叉和变异的多目标粒子群算法

为了保证粒子群算法求得的非劣解尽可能接近真实的Pareto前沿并保持多样性分布. 提出一种基于交叉和变异的多目标粒子群算法(CMMOPSO). 在CMMOPSO算法中, 首先, 识别Pareto前沿的稀疏部分包含的粒子, 并对这些粒子进行交叉操作以增加多样性分布; 其次, 对于远离Pareto前沿的粒子进行变异操作, 以提升粒子向真实的Pareto前沿飞行的概率. 在基准函数的测试中, 结果显示CMMOPSO算法比其它算法有更好的运行效果. 因此, CMMOPSO算法可以作为求解多目标问题的一种有效算法.     

带自适应变异的量子粒子群优化算法

提出了一种带有自适应变异的量子粒子群优化（AMQPSO）算法,利用粒子群的适应度方差和空间位置聚集度来发现粒子群陷入局部寻优时,对当前每个粒子经历过的最好位置进行自适应变异以实现全局寻优。通过对典型函数的测试以及与量子粒子群优化（QPSO）算法和自适应粒子群优化（AMPSO）算法的比较,说明AMQPSO算法增强了全局搜索的性能,优于其他算法。     

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。     

质心粒子群优化算法

为了加快粒子群算法收敛速度,提出了质心粒子群优化算法（CPSO）。算法通过计算种群所有个体最优记录所构成的一个群体的质心,对种群个体当前的最优记录和全局最优记录进行比较、替换或更新等操作,从而加快算法的收敛速度。仿真实验表明,在求解相同精度的情况下,质心粒子群优化算法的收敛速度优于线性递减惯性权重粒子群优化算法（LDWPSO）。     

粒子群算法在计算机辅助选择装配中的应用

为了提高装配的精度,可以使用计算机辅助选择装配来选择合适的零件进行装配。提出了一种面向多尺寸链计算机辅助选择装配模型;对比了几种多目标优化算法应用在计算机辅助选择装配中的优缺点;最终选择一种以粒子群优化算法为基础的多目标优化算法,在算法中通过使用外部集的不断更新来保证算法收敛到全局最优解。实例证明,随着迭代次数的增加,外部集中的解逐渐收敛于pareto前沿,而且解的分布比较均匀。     

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。     

基于量子粒子群算法的聚类分析方法

针对K-均值聚类方法受初始聚类中心影响,容易陷入局部最优解的问题,提出一种基于量子粒子群算法的聚类方法,该方法引入了动态调整量子门旋转角和量子变异操作,采用改进的变异算子,使粒子群体保持品种的多样性和优良性,避免陷入局部最优,同时结合粒子群优化算法,增加粒子群的全局搜索能力。仿真实验表明该方法在全局寻优能力和收敛效率上都有所提高。