多目標粒子群優化算法的全局搜索策略研究.pdf

1、粒子群優化算法作為群體智能的一種，模擬了鳥群尋覓食物的生物行為，通過個體信息和社會信息在搜索空間中找尋最優。由于粒子群算法的快速收斂性和實現的簡單性等特點，已經引起人們越來越多的關注，已廣泛應用于函數優化、神經網絡訓練、模糊系統控制以及其它應用領域。應用粒子群方法解決多目標優化問題時，確定全局最優解成為一個難點，在大多數情況下，類似于單目標優化的最優解在多目標問題中是不存在的，而是得到一組非劣解，即Pareto最優解，并且隨著目標數量的

2、增加，非劣解的數量也迅速增加，這將對粒子群算法的優化性能產生很大影響，因為全局最優解選取的“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導致算法收斂到局部最優，這是由于種群快速失去多樣性造成的，因此當采用粒子群算法解決多目標優化問題時，改善種群的多樣性也十分重要。本文對粒子群算法解決多目標優化問題進行了研究。主要內容如下： ⑴對多目標優化問題的基本概念和多目標粒子優化算法進行了概括和總結，為深入研究多目標粒

3、子群優化算法奠定了理論基礎。 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偏好信息加入到種群搜索中，根據每個目標的相對重要性計算偏好權值，采用主種群和輔助種群的多種群方式搜索目標空間，輔助種群的信息通過信息選擇環節傳遞給主種群，該信息反映了決策者的偏好情況。優化過程中，輔助種群保證了算法的多樣性，而主種群對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量在隨目標空間增加而增加時，種群選擇壓力對算法性能產生影響的問題。采用優先階優化準則代替Pareto優化準則，對非劣解集進一步劃分排序以減少非劣解集中的點，只保留“最優折衷解”，并將“最優折衷解”作為全局最優解，對粒子的速度進行更新。均衡選擇策略的加入，改善了多目標粒子群算法的收斂性能，均衡了算法的勘探和開采能力，在保證種群收斂到Pareto前沿的同時，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