多目标粒子群优化算法的全局搜索策略研究

粒子群优化算法作为群体智能的一种,模拟了鸟群寻觅食物的生物行为,通过个体信息和社会信息在搜索空间中找寻最优。由于粒子群算法的快速收敛性和实现的简单性等特点,已经引起人们越来越多的关注,已广泛应用于函数优化、神经网络训练、模糊系统控制以及其它应用领域。 应用粒子群方法解决多目标优化问题时,确定全局最优解成为一个难点,在大多数情况下,类似于单目标优化的最优解在多目标问题中是不存在的,而是得到一组非劣解,即Pareto最优解,并且随着目标数量的增加,非劣解的数量也迅速增加,这将对粒子群算法的优化性能产生很大影响,因为全局最优解选取的“好坏”将直接影响算法的收敛性和分布性。另外粒子群的快速收敛性往往会导致算法收敛到局部最优,这是由于种群快速失去多样性造成的,因此当采用粒子群算法解决多目标优化问题时,改善种群的多样性也十分重要。本文针对粒子群算法解决多目标优化问题时遇到的问题提出了不同的全局搜索策略,具体来说本文的主要内容和创新点可以概括如下: 1.对多目标优化问题的基本概念和多目标粒子优化算法进行了概括和总结,为深入研究多目标粒子群优化算法奠定了理论基础。 2.提出了基于模糊偏好信息的多种群全局搜索策略。该方法将使用者的先验偏好信息加入到种群搜索中,根据每个目标的相对重要性计算偏好权值,采用主种群和辅助种群的多种群方式搜索目标空间,辅助种群的信息通过信息选择环节传递给主种群,该信息反映了决策者的偏好情况。优化过程中,辅助种群保证了算法的多样性,而主种群对辅助种群提供信息的利用,又保证了算法的收敛性。 3.提出了基于优先阶的均衡选择全局搜索策略。该方法有效地解决了非劣解数量在随目标空间增加而增加时,种群选择压力对算法性能产生影响的问题。采用优先阶优化准则代替Pareto优化准则,对非劣解集进一步划分排序以减少非劣解集中的点,只保留“最优折衷解”,并将“最优折衷解”作为全局最优解,对粒子的速度进行更新。均衡选择策略的加入,改善了多目标粒子群算法的收敛性能,均衡了算法的勘探和开采能力,在保证种群收敛到Pareto前沿的同时,也得到了一组分布性和多样性较好的非劣解。 4.提出了一种基于迁移操作防早熟的全局搜索策略。该方法针对粒子群算法易陷入局部最优的缺点,将迁移操作引入到粒子的搜索过程中,通过粒子性质的变化,增加了种群的多样性。执行迁移操作的过程中,需要确定的参数少,减少了计算的复杂度,另外迁移操作的水平传播方式使种群在“逃离”局部最优后,依然可以在不影响收敛的前提下,继续在目标空间中进行搜索。