多目標(biāo)粒子群優(yōu)化算法的全局搜索策略研究.pdf

1、粒子群優(yōu)化算法作為群體智能的一種，模擬了鳥(niǎo)群尋覓食物的生物行為，通過(guò)個(gè)體信息和社會(huì)信息在搜索空間中找尋最優(yōu)。由于粒子群算法的快速收斂性和實(shí)現(xiàn)的簡(jiǎn)單性等特點(diǎn)，已經(jīng)引起人們?cè)絹?lái)越多的關(guān)注，已廣泛應(yīng)用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模糊系統(tǒng)控制以及其它應(yīng)用領(lǐng)域。應(yīng)用粒子群方法解決多目標(biāo)優(yōu)化問(wèn)題時(shí)，確定全局最優(yōu)解成為一個(gè)難點(diǎn)，在大多數(shù)情況下，類(lèi)似于單目標(biāo)優(yōu)化的最優(yōu)解在多目標(biāo)問(wèn)題中是不存在的，而是得到一組非劣解，即Pareto最優(yōu)解，并且隨著目標(biāo)數(shù)量的

2、增加，非劣解的數(shù)量也迅速增加，這將對(duì)粒子群算法的優(yōu)化性能產(chǎn)生很大影響，因?yàn)槿肿顑?yōu)解選取的“好壞”將直接影響算法的收斂性和分布性。另外粒子群的快速收斂性往往會(huì)導(dǎo)致算法收斂到局部最優(yōu)，這是由于種群快速失去多樣性造成的，因此當(dāng)采用粒子群算法解決多目標(biāo)優(yōu)化問(wèn)題時(shí)，改善種群的多樣性也十分重要。本文對(duì)粒子群算法解決多目標(biāo)優(yōu)化問(wèn)題進(jìn)行了研究。主要內(nèi)容如下： ⑴對(duì)多目標(biāo)優(yōu)化問(wèn)題的基本概念和多目標(biāo)粒子優(yōu)化算法進(jìn)行了概括和總結(jié)，為深入研究多目標(biāo)粒

3、子群優(yōu)化算法奠定了理論基礎(chǔ)。 ⑵提出了基于模糊偏好信息的多種群全局搜索策略。該方法將使用者的先驗(yàn)偏好信息加入到種群搜索中，根據(jù)每個(gè)目標(biāo)的相對(duì)重要性計(jì)算偏好權(quán)值，采用主種群和輔助種群的多種群方式搜索目標(biāo)空間，輔助種群的信息通過(guò)信息選擇環(huán)節(jié)傳遞給主種群，該信息反映了決策者的偏好情況。優(yōu)化過(guò)程中，輔助種群保證了算法的多樣性，而主種群對(duì)輔助種群提供信息的利用，又保證了算法的收斂性。 ⑶提出了基于優(yōu)先階的均衡選擇全局搜索策略。該方

4、法有效地解決了非劣解數(shù)量在隨目標(biāo)空間增加而增加時(shí)，種群選擇壓力對(duì)算法性能產(chǎn)生影響的問(wèn)題。采用優(yōu)先階優(yōu)化準(zhǔn)則代替Pareto優(yōu)化準(zhǔn)則，對(duì)非劣解集進(jìn)一步劃分排序以減少非劣解集中的點(diǎn)，只保留“最優(yōu)折衷解”，并將“最優(yōu)折衷解”作為全局最優(yōu)解，對(duì)粒子的速度進(jìn)行更新。均衡選擇策略的加入，改善了多目標(biāo)粒子群算法的收斂性能，均衡了算法的勘探和開(kāi)采能力，在保證種群收斂到Pareto前沿的同時(shí)，也得到了一組分布性和多樣性較好的非劣解。 ⑷提出了一種