基于融合多策略改进的多目标粒子群优化算法

被引：52

作者：

杨景明 ^{[1
,2
]}

侯新培 ^{[1
]}

崔慧慧 ^{[1
]}

呼子宇 ^{[1
]}

穆晓伟 ^{[1
]}

机构：

[1] 燕山大学工业计算机控制工程河北省重点实验室

[2] 国家冷轧板带装备及工艺工程技术研究中心

来源：

控制与决策 | 2018年 / 02期

关键词：

多目标优化; 粒子群算法; 多策略改进; 非支配排序;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

为进一步提高多目标粒子群算法的收敛性和多样性,提出一种多策略融合改进的多目标粒子群优化算法.首先,引入分解思想以增加Pareto解集的多样性;然后,在速度和位置更新时,引入"多点"变异,即随着迭代次数的递增,根据相应判据对位置的更新作出不同的变异,避免算法早熟现象的发生;最后,将更新后种群和最优解集进行非支配排序,最优解放入精英外部存档.仿真实验结果表明,与另外4种进化算法对比,所提出算法表现出良好的整体性能.

引用

页码：226 / 234

页数：9

共 9 条

[1]

多策略改进的多目标粒子群优化算法 [J].

杨景明 ;

穆晓伟 ;

车海军 ;

呼子宇 ;

侯宇浩 .

控制与决策, 2017, 32 (03) :435-442

[2]

基于大规模变量分解的多目标粒子群优化算法研究 [J].

邱飞岳 ;

莫雷平 ;

江波 ;

王丽萍 .

计算机学报, 2016, 39 (12) :2598-2613

[3]

一种多策略融合的多目标粒子群优化算法 [J].

谢承旺 ;

邹秀芬 ;

夏学文 ;

王志杰 .

电子学报, 2015, 43 (08) :1538-1544

[4]

基于自适应动态邻居和广义学习的改进粒子群算法 [J].

刘衍民 ;

赵庆祯 ;

牛奔 .

计算机应用, 2010, 30 (10) :2578-2581

[5]

Multi-objective modeling of production and pollution routing problem with time window: A self-learning particle swarm optimization approach[J] Ravi Shankar Kumar;Karthik Kondapaneni;Vijaya Dixit;A. Goswami;L.S. Thakur;M.K. Tiwari Computers & Industrial Engineering 2016,

[6]

An augmented multi-objective particle swarm optimizer for building cluster operation decisions[J] Mengqi Hu;Jeffery D. Weir;Teresa Wu Applied Soft Computing Journal 2014,

[7]

An improved particle swarm optimizer based on tabu detecting and local learning strategy in a shrunk search space[J] Xuewen Xia;Jingnan Liu;Zhongbo Hu Applied Soft Computing Journal 2014,

[8]

D<sup>2</sup>MOPSO : MOPSO Based on Decomposition and Dominance with Archiving Using Crowding Distance in Objective and Solution Spaces[J] N. Al Moubayed Evolutionary Computation 2014,

[9]

Comparison of Multiobjective Evolutionary Algorithms: Empirical Results[J] Eckart Zitzler;Kalyanmoy Deb;Lothar Thiele Evolutionary Computation 2000,

← 1 →