基于微粒群算法的多目標優(yōu)化問題研究.pdf

1、為決策者提供科學、合理、及時的決策方案是現(xiàn)代決策支持系統(tǒng)必須具備的能力。由于現(xiàn)實決策對象大多數(shù)是多目標的，多目標優(yōu)化問題（MOP）的研究越來越引起人們的重視。由于MOP中的各個子目標之間是相互矛盾且非公度的，如何定義MOP的最優(yōu)解成為求解MOP的關鍵問題，基于Pareto選擇思想的非劣解的定義越來越成為人們的共識。然而MOP的Pareto最優(yōu)解往往不只一個，甚至無窮多個，這樣求解出來的解不僅不能幫助決策反而成為決策者的負擔，而且尋優(yōu)的計

2、算過程很長，如何給決策者快速地提供合理的、可行的解決方案尤為重要。
　　 微粒群算法(PSO)是近幾年發(fā)展起來的一種群集智能算法，是一種新的智能搜索算法。該算法利用群體中的各個微粒從其過去的經(jīng)歷和其它微粒的經(jīng)歷中共享有效的信息，從而協(xié)同地搜索到最優(yōu)解。目前，基于PSO的算法研究在多目標優(yōu)化領域越來越得到重視，甚至是目前研究中的一個熱點領域。
　　 本文基于Pareto最優(yōu)解的定義，提出了Pareto-ε相關概念。通過分析

3、和實驗證明，Pareto-ε概念的運用很好地改善了求解MOP時的尋優(yōu)過程，增加了搜索幾率，加大了移動步長，無論是帶寬容度的還是帶苛刻度的比較策略都可以顯著改善收斂速度，快速地為決策者提供合理的決策方案。在帶寬容度的情況下，ε越大比較條件就越弱，搜索幾率就越大，從而搜索速度就越快；在帶苛刻度的情況下，雖然比較條件加強了，但是每次移動的步長增大，從而也加快了尋優(yōu)的速度。
　　 本文主要的研究工作和創(chuàng)新如下：
　　 1、討論了

4、MOP的歷史及其研究現(xiàn)狀；分析了基于PSO算法對MOP的研究意義和研究現(xiàn)狀；討論了MOP和PSO群算法的相關理論。
　　 2、分析了MOP的測試函數(shù)集，分別給出了這些經(jīng)典函數(shù)的定義、約束條件以及解的特征，闡述了本文選擇測試集的一般原則。
　　 3、在對Pareto優(yōu)勝理論的研究基礎上，提出了Pareto-ε優(yōu)勝關系的概念，并對ε值實行了動態(tài)調(diào)整策略，實驗顯示，Pareto-ε優(yōu)勝關系的概念是合理的、有效的，明顯加快了尋優(yōu)

5、的速度，可以快速地為決策者提供合理的、滿意的決策方案；在實驗和理論分析的基礎上我們給出了Pareto-ε動態(tài)策略的評價。
　　 4、基于PSO算法和Pareto-ε優(yōu)勝關系提出了一種新的PεPSO算法框架；基于面向?qū)ο罄碚撎岢隽艘环N相應的數(shù)據(jù)結(jié)構(gòu)，提高了算法實現(xiàn)的通用性、復用性以及兼容性；選用了經(jīng)典測試函數(shù)集中的部分ZDT系列函數(shù)進行了測試，實驗顯示PεPSO算法是有效的。
　　 5、在采用動態(tài)調(diào)整ε的策略后，通過動態(tài)調(diào)