论文部分内容阅读
多目标优化问题广泛地存在于实际工作和科研中的诸多领域。所以，对于多目标优化算法的研究一直以来都是倍受人们的关注。随着科技时代的不断发展，尤其是计算机科学技术的飞速发展，也促进了求解最优化方法的迅速发展。而其中较为成熟的一类算法就是进化算法。人们根据自然界生物进化的规律设计出了进化算法，其中像遗传算法、模拟退火算法、神经网络、蚁群算法以及粒子群算法，都是通过被学者不断的研究，经历着一代又一代的改进，来求解更多领域，更加复杂的优化问题。在遗传算法中最为经典的算法就是NSGA-II算法。该算法降低了之前算法的计算复杂度，同时还能提高非支配解在真实Pareto前端的均匀分布性。但是，该算法依然存在某些不足和缺陷，例如：在较高纬度上出现精度不高。而粒子群算法具有流程简单，收敛速度快，搜索效率高等优势，不仅能求解单目标优化问题，同时在求解多目标优化问题上也有不俗的表现。多目标粒子群优化算法依托基本粒子群算法的设计理念，结合Pareto支配关系来选择最优解。用外部档案集来存储找到的非支配解，并从中选出全局向导。并且通过限制档案规模，对于档案集进行拥挤距离的降序排列，来删除超出规模的非支配解的方法降低运算成本。通过加入扰动因子来保持种群的多用性。并且，为了进一步提高粒子群算法的运行速度，运用了竞争机制来快速得到非支配解集和外部档案集。根据实验结果分析改进前与改进后多目标粒子群算法的好坏，也同时将这两种算法与经典遗传算法NSGA-II进行对比，分析算法的优劣。本文主要是在Matlab环境下进行的数值实验分析，通过比较算法求解一次多目标优化问题的平均运行时间，和对比各算法计算出的Pareto前端与真实Pareto前端的平均距离以及度量相邻目标向量的距离方差来反映各算法的好坏。通过实验结果得出：多目标粒子群算法的运行速度、以及解的收敛性和分布性都要好于NSGA-II算法。并且，改进后的多目标粒子群算法大大提高了搜索效率，降低了运行时间。其中选择的标准测试函数分别是双目标函数ZDT-1、ZDT-2、ZDT-3和三目标函数DTLZ-2、DTLZ-7。