基于大规模变量分解的多目标粒子群优化算法研究

被引：46

作者：

邱飞岳 ^{[1
,2
]}

莫雷平 ^{[1
]}

江波 ^{[2
]}

王丽萍 ^{[3
]}

机构：

[1] 浙江工业大学信息工程学院

[2] 浙江工业大学现代教育技术研究所

[3] 浙江工业大学信息智能与决策优化研究所

来源：

计算机学报 | 2016年 / 39卷 / 12期

基金：

浙江省自然科学基金;

关键词：

粒子群优化; 大规模变量; 随机分解; 合作协同; 全局优化;

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：

含有大规模变量的多目标优化问题是目前多目标进化算法领域的研究重点.多目标粒子群优化方法具有收敛性良好、计算简单和参数设置少等优点,但随着优化问题决策变量的增多,"变量维度"成为了瓶颈.针对上述问题,文中提出的变量随机分解策略,增加关联变量分配到同组的概率,使得算法更好的保留变量间的关联性,并将合作协同进化框架融合到算法中,提出了基于大规模变量分解的多目标粒子群优化算法(CCMOPSO).将该算法在经典标准测试函数ZDT1、ZDT2、ZDT3、DTLZ1、DTLZ2变量扩展后进行仿真对比实验,采用加法二进制ε指标和超体积指标(HV)对算法收敛性和多样性进行对比分析,实验结果表明,在解决大规模变量的多目标函数中,变量维度越高,该算法比经典多目标算法MOPSO、NSGA-II、MOEA/D以及GDE3越具有更好的多样性与收敛性,同时使得计算复杂度明显降低.

引用

页码：2598 / 2613

页数：16

共 3 条

[1]

进化多目标优化算法研究 [J].

公茂果 ;

焦李成 ;

杨咚咚 ;

马文萍 .

软件学报, 2009, 20 (02) :271-289

[2]

A cooperative particle swarm optimizer with statistical variable interdependence learning[J] Liang Sun;Shinichi Yoshida;Xiaochun Cheng;Yanchun Liang Information Sciences 2011,

[3]

Large scale evolutionary optimization using cooperative coevolution[J] Zhenyu Yang;Ke Tang;Xin Yao Information Sciences 2008,

← 1 →