论文部分内容阅读
智能计算方法是求解多目标优化问题的一种有效途径,而其中的云粒优化算法是当前该研究领域的一个新的计算模型。该模型通过模拟自然界中云的形成以及物态变化过程,设计出一种基于“云模型”随机搜索机制。经典的云粒优化算法在单目标优化问题中已展现出良好的计算性能,但是针对多峰问题,则很难保证求解任务的完备性。有鉴于此,本文研究了一种改进的,基于焓的云粒优化算法(An improved cloud particles optimization algorithm based on enthalpy,即ICPEA),并在此基础上进一步提出了用于多目标求解任务的云粒优化算法实施方案(An improved multi-objective particles optimization algorithm,即IMOCPEA)。同时,为了验证所提方案的有效性,论文中分析了上述模型用于两目标物流中心选址问题的实施效果。本文主要工作包括以下三个方面:(1)设计出一种基于焓的云粒优化算法(ICPEA),以解决经典云粒优化算法的求解完备性的问题。该方法通过引入焓的概念,以及基于随机行走模型和布朗运动的无规则运动理论,改进传统算法中的个体分布特性,以保证个体在演化过程中的独立性(即随机性)。通过针对Schwef测试函数的实验分析,发现ICPEA算法有利于维护种群的多样性。(2)设计出用于多目标问题求解的改进云粒优化算法(IMOCPEA)。该算法,一方面通过引入精英策略,保证了计算过程以概率1全局收敛;另一方面通过引入外部档案修剪策略使算法的分布特性得到了改善。同时,通过针对4个基准测试函数的仿真测试,进一步验证了上述方法在问题求解过程的可行性和有效性。(3)从实践应用角度出发,通过建立两目标物流中心选址模型,采用IMOCPEA算法对其进行求解,并与基于进化策略的单目标实验结果进行对比,结果表明文中算法在多目标求解问题方面具有较好特性。通过以上分析与研究,可以初步得出,改进的、基于焓的云粒优化算法,不仅可以应用于多目标函数优化问题,也可以应用于一些比较复杂的非线性实际工程问题。