基于粒子群优化算法的动态多目标优化算法研究及应用

在智能算法领域,除了以Darwin进化论“适者生存”思想为基础的进化算法在求解优化问题方面已经获得了不同程度的成功之外,群智能算法之一的粒子群优化算法也在解决优化问题方面取得了一定的成功。粒子群优化算法(Particle Swarm Optimization, PSO)即是其中一种相对新颖的优化技术,它的主体思想是基于模拟鱼群鸟群的群体智能效应,即通过一些简单个体在环境中局部的相互交流而产生的全局优化的集体效应。自从在1995年由Kennedy和Eberhart提出粒子群优化算法,由于它在概念上容易理解,方便应用而且收敛迅速,跟其他的进化算法相比,它具有一个突出优势,即可以用较少的个体进行搜索而得到较好的结果,储存量和计算量都相对比较低,因而引起了很多研究人员的兴趣而逐渐成为进化算法的一个重要分支。 在利用进化算法解决静态多目标优化问题方面已经取得了不错成果。然而在现实生活中,许多问题不仅有多个目标,而且各个目标是与时间因素有关的,人们把这类与时间有关且有多个目标函数需要同时优化的的问题称为动态多目标优化问题。因为动态多目标优化问题具有多个依赖时间(环境)的互相矛盾、单位不一的目标,同时随着时间(环境)的变化,帕雷托最优解也会发生改变,所以对其优化相对比较困难,这就给粒子群算法以及进化算法带来了新的挑战。 本文主要有以下几个方面： 第一部分主要叙述了优化问题相关概念,数学模型以及解决优化问题的传统进化算法以及基于进化算法的群智能算法,并着重介绍了解决多目标优化问题以及动态多目标优化问题的研究现状,总结了算法中较为常用的提高算法性能的策略。 第二部分首先引入了粒子群优化算法,并对粒子群优化算法进行了分析,介绍了几种常用的改进粒子群优化算法的方法。然后重点介绍了基于动态多种群的粒子群优化算法的思想,分析了动态多种群粒子群优化算法的优势,说明了动态多种群粒子群优化算法的有效性。 第三部分首先为了进一步证实动态多种群粒子群算法在解决多目标问题上的算法的有效性,在标准的IEEE30-bus6-genenrator测试系统上进行了关于环境／经济调度的实际应用的仿真验证,进一步证实了动态多种群粒子群优化算法在解决多目标优化问题的有效性。 第四部分首先对动态环境的变化模式以及动态多目标问题的变化种类进行数学描述,分析介绍算法的性能评价标准,并使用改进的动态多种群粒子群优化算法在建立的动态多目标的测试平台上进行测试仿真,以验证算法可以对变换的帕雷托前沿进行快速跟踪,并且帕雷托最优解集有较好的分布性。 最后对论文进行了全文总结,并阐述了本文的不足,同时对粒子群优化算法的发展及应用进行了展望。