基于小生境粒子群的多模进化算法的研究

• 作 者: 邓琦
• 出 处: 湘潭大学
• 发表日期: 2020年01期
• 关键词: 多模优化问题 精度 粒子群优化算法 全局最优解

现实世界中有许多优化问题需要寻找尽可能多的全局最优解,如电力系统^[1]、蛋白质结构预测^[2]、数据挖掘^[3,4,5]。这些问题被称为多模优化问题（MMOPs）。关于多模优化问题,有两个方面值得我们注意。第一个方面,对于大多数多模优化算法,如果所需的精度很高,那么即使最终的解收敛于它们附近,它们也无法找到精确的最优值。第二个方面,许多算法都难以探索到全部区域,容易错过一些山峰。特别是对于某些尖峰,其峰所占据的决策空间非常小,粒子很难探索到这些峰所在的区域。在进化计算领域,对于处理多模优化问题而言,大部分算法都是基于小生境技术的,因此,在本文中介绍了几种风格完全不同的解决这类问题的算法,为解决多模问题提供多种不同思路。一种定位多个解的多模多目标优化算法（MOMMOP）和退化识别的克隆免疫算法（DR＿CR）是用来解决单目标多模问题的算法,基于分解思想的进化算法（MOEA/D＿AD）以及环形拓扑多目标粒子群算法（MO＿Ring＿PSO＿SCD）是用来解决多目标多模问题的算法。除了MOMMOP算法,以上这些解决多模问题的算法思想的核心本质是小生境技术。现有的大部分多模算法,尝试找到所有的具有高精度的全局最优解,但是并没有得到理想的结果。而本文所提出的算法,针对多模优化算法所得到解精度不高的问题,提出了一种基于近邻移动性策略的粒子群优化算法。并在实验上证实了该方法的有效性和可行性。本文提出了一种基于近邻移动性策略的粒子群优化算法（CNMM）,该算法能够有效地提高多模优化解的精度。为了提高算法的性能,提出了三种新技术,精英选择机制、近邻移动策略、改进的DE策略。基于这三种新技术,CNMM在处理MMOPs时无论精度高低,都能获得很好的性能。计算结果也表明了CNMM快速定位更精确的全局最优解的有效性和可行性。