基于Pareto熵的多目标粒子群优化算法

被引：134

作者：

胡旺 ^{[1
,2
]}

Gary G YEN ^{[2
]}

张鑫 ^{[1
]}

机构：

[1] 电子科技大学信息与软件工程学院

[2] School of Electrical and Computer Engineering, Oklahoma State

来源：

软件学报 | 2014年 / 25卷 / 05期

关键词：

多目标优化问题; 粒子群优化; 平行格坐标系统; Pareto熵; 自适应参数;

D O I：

10.13328/j.cnki.jos.004496

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

粒子群优化算法因形式简洁、收敛快速和参数调节机制灵活等优点,同时一次运行可得到多个解,且能逼近非凸或不连续的Pareto最优前端,因而被认为是求解多目标优化问题最具潜力的方法之一.但当粒子群优化算法从单目标问题扩展到多目标问题时,Pareto最优解集的存储与维护、全局和个体最优解的选择以及开发与开采的平衡等问题亦随之出现.通过目标空间变换方法,采用Pareto前端在被称为平行格坐标系统的新目标空间中的分布熵及差熵评估种群的多样性及进化状态,并以此为反馈信息来设计进化策略,使得算法能够兼顾近似Pareto前端的收敛性和多样性.同时,引入格占优和格距离密度的概念来评估Pareto最优解的个体环境适应度,以此建立外部档案更新方法和全局最优解选择机制,最终形成了基于Pareto熵的多目标粒子群优化算法.实验结果表明:在IGD性能指标上,与另外8种对等算法相比,该算法在由ZDT和DTLZ系列组成的12个多目标测试问题集中表现出了显著的性能优势.

引用

页码：1025 / 1050

页数：26

共 11 条

[1] 进化多目标优化算法研究
公茂果
焦李成
杨咚咚
马文萍
[J]. 软件学报, 2009, 20 (02) : 271 - 289
[2] 一种更简化而高效的粒子群优化算法
胡旺
李志蜀
[J]. 软件学报, 2007, (04) : 861 - 868
[3] Pareto档案多目标粒子群优化
雷德明
吴智铭
[J]. 模式识别与人工智能, 2006, 19 (04) : 475 - 480
[4] A Culture-Based Particle Swarm Optimization Framework for Dynamic, Constrained Multi-Objective Optimization[J] . Gary G. Yen,Ashwin A. Kadkol.International Journal of Swarm Intelligence Research （IJSIR） . 2012 (1)
[5] Multiobjective evolutionary algorithms: A survey of the state of the art[J] . Aimin Zhou,Bo-Yang Qu,Hui Li,Shi-Zheng Zhao,Ponnuthurai Nagaratnam Suganthan,Qingfu Zhang.Swarm and Evolutionary Computation . 2011 (1)
[6] Multiobjective particle swarm optimization with nondominated local and global sets
Abido, M. A.
[J]. NATURAL COMPUTING, 2010, 9 (03) : 747 - 766
[7] Comprehensive learning particle swarm optimizer for solving multiobjective optimization problems[J] . V.L.Huang,P.N.Suganthan,J.J.Liang.Int. J. Intell. Syst. . 2005 (2)
[8] Comparison of Multiobjective Evolutionary Algorithms: Empirical Results[J] . Eckart Zitzler,Kalyanmoy Deb,Lothar Thiele.Evolutionary Computation . 2000 (2)
[9] The plane with parallel coordinates
Inselberg, Alfred
[J]. VISUAL COMPUTER, 1985, 1 (02) : 69 - 91
[10] A MOPSO algorithm basedexclusively on pareto dominance concepts. Alvarez-Benitez J,Everson R,Fieldsend J. Evolutionary Multi-CriterionOptimization . 2005

← 1 2 →