基于动态平衡的多目标粒子群优化算法

发布时间：2022-01-15 11:55

　　传统粒子群优化算法在求解动态优化问题时,种群将逐渐收敛,从而在问题变化后无法进一步寻优,针对上述问题,提出了一种基于动态平衡的多目标粒子群优化算法。采用双种群策略以动态平衡算法的探索能力与开发强度,其中一个子种群在动态调整的网格中运行混沌搜索,确保种群多样性符合要求的同时,能够有效提升搜索的效率。利用快速收缩多目标粒子群算法,对另外的子种群进行计算,收敛到Pareto前沿。通过一组标准测试问题对所提方法进行了验证,实验结果显示所提算法无论在收敛速度还是在优化精度上都优于其它典型多目标进化算法。 

【文章来源】：微型电脑应用. 2019,35(06)

【文章页数】：4 页

【部分图文】：

MOEA-AR算法流程图

ＭｉｃｒｏｃｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓＶｏｌ．３５，Ｎｏ．６，２０１９开发应用微型电脑应用２０１９年第３５卷第６期…，ｆｋ（ｘ），ｋ表示优化目标的个数。假设存在最大化目标，那么多目标优化问题可以定义为式（１）。ｍａｘｘ∈Ｘｎｆ（ｘ）＝ｆ１（ｘ），ｆ２（ｘ），…，ｆｋ（ｘ［］）（１）上式中，ｘ表示决策变量，Ｘｎ表示ｎ维的决策空间。定义２假设存在向量ｕ＝［ｕ１，…，ｕｋ］与ｖ＝［ｖ１，…，ｖｋ］，ｕＰａｒｅｔｏ支配ｖ的定义可以表示为式（２）。?ｉ∈｛１，…，ｋ｝：ｕｉ≥ｖｉ∧?ｉ∈｛１，…，ｋ｝：ｕｉ＞ｖｉ（２）定义３假设存在解ｘ＊，将Ｐａｒｅｔｏ最优集或者非支配集定义为式（３）。?ｉ∈｛１，…，ｋ｝，??ｘ：ｆｉ（ｘ）＞ｆｉ（ｘ＊）（３）定义４存在多目标优化问题，将其表示为ｍａｘｆ（ｘ），它的Ｐａｒｅｔｏ最优集或者非支配集Ｐ＊可以给出如式（４）。Ｐ＊∶＝ｘ∈Ｘｎ??ｘ′∈Ｘｎ，ｆ（ｘ′）?ｆ（ｘ｛｝）（４）Ｐａｒｅｔｏ排序算法，就是让种群内部任意的连个个体的Ｐａｒｅｔｏ支配关系进行比较，选择Ｐａｒｅｔｏ最优集或者非支配集。定义５存在多目标优化问题，将其表示为ｍａｘｆ（ｘ），可以给出Ｐａｒｅｔｏ前沿ＰＦ＊定义如式（５）。ＰＦ＊∶＝ｆ＝ｆ１（ｘ），…，ｆｋ（ｘ［］）ｘ∈Ｐ｛｝＊

网格的调整案例

【参考文献】：
期刊论文
[1]一种基于多样性信息和收敛度的多目标粒子群优化算法[J]. 韩红桂,卢薇,乔俊飞.  电子学报. 2018(02)
[2]基于平衡搜索策略的多目标粒子群优化算法[J]. 耿焕同,陈正鹏,陈哲,周利发.  模式识别与人工智能. 2017(03)
[3]基于粒子群优化算法的电网GIC-Q多目标优化策略[J]. 杨培宏,刘连光,刘春明,冯士伟,郑许朋.  电力自动化设备. 2017(03)
[4]基于Pareto熵的多目标粒子群优化算法[J]. 胡旺,Gary G. YEN,张鑫.  软件学报. 2014(05)
[5]自适应进化多目标粒子群优化算法[J]. 陈民铀,张聪誉,罗辞勇.  控制与决策. 2009(12)
[6]Pareto档案多目标粒子群优化[J]. 雷德明,吴智铭.  模式识别与人工智能. 2006(04)
[7]单纯形-多目标粒子群优化方法的混合算法[J]. 安伟刚,李为吉.  西北工业大学学报. 2004(05)



本文编号：3590574