论文部分内容阅读
多目标优化问题是我们在现实生活中经常遇见的一类优化问题，其主要特点是各个目标之间可能是相互矛盾的，所以要使所有目标一起达到最优的解一般是不存在的，即一个解也许在某一目标来说是较好的，但是对于其他目标来说却是较差的。所有的由这些解组成的集合就构成了多目标优化问题的Pareto最优解集。传统的求解多目标优化问题的方法虽然具有简单，高效，并且一定能收敛到Pareto最优等优点，但是仍存在很多缺陷，因此，寻找更加高效的优化算法成为学者们的研究目标之一。粒子群算法是近几年发展起来的一种群智能进化算法，由于其概念简单、易于实现等优势，自提出以来就受到了学者们的广泛关注，现已被广泛应用于图像处理、神经网络、目标优化等领域。本文对粒子群算法的基本原理、参数设置、算法改进及其在多目标优化中的应用进行了研究，主要工作和创新点如下：1.对粒子群算法的基本原理、算法流程和参数设置等进行了分析，总结了一些目前比较常见的改进粒子群算法，并对比分析了粒子群算法与遗传算法的异同点。2.系统的介绍了多目标优化问题的基本概念，总结了几种比较常见的传统多目标优化问题的解决方法和基于进化算法的解决方法，分析了传统多目标优化方法的优点及其局限性。3.针对粒子群算法存在的早熟收敛等问题，提出了一种基于混沌思想的粒子群改进算法，对迭代过程中陷入局部极值点的惰性粒子，采用混沌序列重新初始化，从而帮助惰性粒子跳出局部极值的束缚，并快速搜寻到全局最优解。4.基于粒子群算法能够隐并行地对解空间中的解进行搜索，并且可以通过解之间的相似性提高算法的搜索效率，非常适合用于处理多目标优化问题。本文将最优解评估选取和混沌思想引入到多目标粒子群算法中，提出了一种基于最优解评估选取的混沌多目标粒子群算法。