基于多目标粒子群优化算法的研究与应用

对于多目标问题中存在的目标间相互冲突但又相互关联的矛盾,很多学者和研究人员早已经有了很深入的研究。粒子群算法不仅是被用来研究多目标优化问题中最常用的算法之一,而且也被广泛的应用在特征选择问题等领域中,而特征选择是数据预处理的一个重要过程。粒子群优化算法除了具有算法简单、参数少、能够快速收敛等优点,同时还具有容易陷入局部最优的缺点。因此本文针对粒子群优化算法研究多目标优化问题以及特征选择问题进行改进和提升。本文在这两方面的主要改进工作分为以下几部分:(1)本文针对多目标粒子群优化算法的研究,首先提出了两阶段的全局最优解选取策略。该两阶段全局最优解选取策略分别从决策空间和目标空间两个角度考虑,通过相似性度量策略和Knee Point概念选择全局最优解从而平衡Pareto支配面上解集的收敛性和多样性。其次本文改进了柯西变异操作,使其随着迭代次数的改变动态的去扰动种群。在迭代前中期大幅度的扰动使粒子跳出局部最优,在迭代后期小幅度的扰动加速种群的收敛并且提高粒子的搜索能力。最后对基于拥挤距离的外部文档更新策略进行了改进,改进后的方法更细化了对外部文档的更新和维护操作,使得外部文档中的粒子的分布更加均匀和分散。(2)针对多目标特征选择问题,本文首先定义了一个基于外部文档和Pareto支配面的集合概念,然后又提出了基于互信息方法的局部学习策略,利用互信息计算出特征之间以及特征与标签之间的关联性。本文将基于互信息方法的局部学习策略与新的集合概念相结合,令种群的Pareto支配面上的粒子向外部文档中粒子学习,该策略能有效的提升种群中粒子的质量。同时为了避免粒子群优化算法在迭代的中期陷入局部最优导致粒子陷入早熟,本文根据粒子的历史最优解没有更新的迭代次数,提出了一个基于粒子自身状态的自适应的扰动策略。粒子进行扰动的概率以及扰动的粒子特征个数是基于粒子的历史最优解没有更新的迭代次数动态决定的。本文利用改进的多目标粒子群优化算法与六个多目标优化算法进行了对比试验,实验结果证明了本文提出的算法更好的收敛在真实的Pareto前沿面上。同时混合互信息和粒子群算法的多目标特征选择方法也在15个数据集上进行了试验,实验结果显示在减少特征个数的同时,也降低了分类错误率。