论文部分内容阅读
本文对粒子群优化算法的产生、发展进行了介绍，讨论了多目标演化算法的相关重要策略，并分析了多目标粒子群优化的发展现状。在此基础上，借助多目标演化算法的相关策略，设计了两种改进的多目标粒子群优化算法。第一种改进的聚类归档多目标粒子群优化算法采用了精英保留策略，用存储池保存搜索过程中发现的非支配解；利用聚类算法裁剪非支配解集，在限制解集大小的同时保持解的分布特性。针对粒子群优化的特点，算法采用Pareto支配关系来更新粒子的个体最优值和全局最优值；依据搜索空间的距离，选择与粒子邻近的非支配解作为引导粒子。在参数设置上，采用动态惯性权重法来平衡粒子群对解空间的局部搜索和全局搜索能力。
为进一步增强多目标粒子群算法处理Pareto前沿不连续问题的能力，我们试验了多群方法，提出一种动态子群多目标粒子群优化算法。算法的主要创新是：在运行过程中根据当前发现的非支配解的分布情况动态创建多个子群，每个子群在限定的范围内进行搜索；依据子群的运行情况，子群也可能会被淘汰或者再次分裂成多个子群。改进的算法增强了粒子群多目标优化技术的适应性和扩展性，能够有效改善了Pareto前沿不连续问题的解质量。
通过标准函数测试问题集的对比实验和分析，改进的算法获得了比对照算法(SPEA、NSGA、CoelloMOPSO)更好的性能。实验结果也表明，改进的MOPSO算法能够有效得到接近真实Pareto前沿的解集，而且具有较好的扩展性。