基于定期竞争学习的多目标粒子群优化算法

被引：21

作者：

刘明 ^{[1
]}

董明刚 ^{[1
,2
]}

敬超 ^{[1
,2
]}

机构：

[1] 桂林理工大学信息科学与工程学院

[2] 广西嵌入式技术与智能系统重点实验室(桂林理工大学)

来源：

计算机应用 | 2019年 / 39卷 / 02期

关键词：

多目标优化; 粒子群优化; 定期竞争; 竞争学习机制; 全局最优选取策略;

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：

为提高种群的多样性和算法的收敛性,提出一种基于定期竞争学习机制的多目标粒子群算法。该算法将多目标粒子群算法和竞争学习机制相结合,即每隔一定迭代代数便使用一次竞争学习机制,很好地保持了种群的多样性;同时,该算法不需要全局最优粒子的外部存档,而是从当前代种群中选取一部分优秀的粒子,再从这些优秀的粒子中随机选取一个作为全局最优粒子,能够有效提升算法的收敛性。将提出的算法与基于分解的多目标粒子群算法(MPSOD)、基于竞争机制且快速收敛的多目标粒子群(CMOPSO)算法、参考向量引导的多目标进化算法(RVEA)等8个算法在21个标准测试函数上进行了比较,结果表明,所提算法的帕累托(Pareto)前沿更加均匀,在世代距离(IGD)上会更加小。

引用

页码：330 / 335

页数：6

共 4 条

[1]

Bi-goal evolution for many-objective optimization problems.[J].Miqing Li;Shengxiang Yang;Xiaohui Liu.Artificial Intelligence.2015,

[2]

A new multi-objective particle swarm optimization algorithm based on decomposition.[J].Cai Dai;Yuping Wang;Miao Ye.Information Sciences.2015,

[3]

A novel multi-objective particle swarm optimization with multiple search strategies [J].