改进的粒子群计算智能算法及其多目标优化的应用研究

优化技术是一种以数学为基础，用于求解各种实际问题的应用技术。随着现代科学的发展，各学科之间的相互渗透，新的交叉学科不断形成，新的思维方式、新的计算方法，特别是计算机科学与技术的迅速发展为优化技术的研究与发展注入了活力，也为其提供了更广阔的研究空间。人们认识与改造世界的能力日益扩大，对科学技术也提出了更新、更高的要求，其中对高效的优化技术和计算方法的要求日益迫切。同时，对于实际系统，例如工程领域，特别是人工智能与控制领域，不断涌现出多目标、非线性、不可微甚至混杂的系统，经典优化方法不能有效求解的优化问题，必须采用计算智能技术。 本文主要研究成果与贡献如下： 1．简要的回顾了计算智能的理论和技术发展史并介绍了计算智能的研究背景。总结了多目标优化的传统解决方法和基于进化计算的解决方法，并重点介绍了遗传算法和粒子群算法在多目标优化领域的研究现状。分别总结了混合整数规划和不确定系统的研究现状。 2．对于粒子群算法进行了详尽的分析和综述，粒子群优化算法（PSO）是一种新兴的仿生学算法，因为和遗传算法相似的全局收敛性但更快得多的收敛速度而备受关注。在介绍了基本的PSO算法的基础上，引入了近几年来PSO的改进算法及其应用领域，将几种改进算法进行综合，和遗传算法进行比较，实例验证了综合PSO算法的优越性，并讨论了将来PSO可能的研究方向。 3．在杂交粒子群算法（HPSO）的思想基础上，提出了一种新的优化算法来解决多目标优化命题。同时采用了适应度函数法来处理优化中的约束问题。最后运用标准测试函数和一个对比实例验证了该方法的有效性。 4．在总结了目前混合整数规划的求解方法的基础上，引入了最小偏差法和GAMS工具，提出了一种将两者结合起来求解多目标混合整数规划的方法。并展望了PSO在混合整数规划领域的研究前景。 5．在总结了现有区间数排序方法的基础上，通过实例分析，验证了一种新的排序方法μ+准则对线性不等式约束进行处理的有效性。对目标函数含 浙江大学硕士学位论文 有区间数参数的线性规划问题，根据决策者对较高的期望值和较小的不 确定性两者的偏好，对区间数进行选取，将单目标函数转化为多目标函 数。 关键词:计算智能，多目标优化，粒子群，遗传算法，最小偏差，混合整数 规划，混杂系统，不确定系统，区间数规划