多目標粒子群優化算法的改進與研究.pdf

1、隨著在現實生活中的普遍應用以及實際生產問題的驅使，多目標優化問題在工程界和學術界越來越受到關注，解決問題的方法也日益增多。目前對于智能優化算法的研究最為火熱，并且成功地應用到了生產管理、電力控制等實際問題中。
　　粒子群優化算法（Particle Swarm Optimization Algorithm-PSO）源自于對鳥群捕食行為的研究，是一種典型的群體智能優化算法。由于參數少、易于實現、快速收斂等特點，PSO算法引起了廣大研究

2、者的關注，并被廣泛用于解決優化問題以及實際的工程生產問題。但是PSO算法在求解多目標優化問題時仍然存在容易陷入局部最優而導致收斂精度低、解的多樣性差等問題。為改善這些缺陷與不足，本文提出三個改進策略，并用于解決多目標優化問題。
　?。?）基于s ine正弦函數動態變化的學習因子：根據s ine正弦函數隨時間動態變換的特性，使算法在搜索初期具有較大的c1，增強粒子的自我意識從而增加種群多樣性，而在后期增強社會認知能力即具有較大的c2

3、，使種群盡可能朝著真實的Pareto最優前端移動；
　?。?）動態位移波動算子：受鳥類實際飛行中可能出現的偏移運動以及動態回旋運動的啟發，對個體最優位置進行小范圍的深度尋優，旨在提高獲得解與真實Pareto最優前端的逼近程度；
　?。?）基于改進Lévy flight的變異算子：通過基于改進Lévy flight的變異率增加算法的隨機性，以隨機的概率對種群進行非均勻變異操作，增加Pareto解集的多樣性，帶來更多可能的解，避

4、免陷入局部最優。
　　通過實驗對三個改進策略的有效性進行了驗證，最后將上述的三個改進策略進行融合，提出了改進的多目標粒子群優化算法（Improved Multi-objective Particle Swarm Optimization Algorithm-IMOPSO），通過7個經典的測試函數進行實驗驗證并與MOPSO（Multi-objective Particle Swarm Optimization Algorithm）的