多目标粒子群优化算法研究.pdfVIP

第 3o卷第 4期 湖北大学学报 (自然科学版) V01．3O NO．4 2008年 12月 JournalofHubeiUniversity(NaturalScience) Dec．，2008 文章编号 ：1000—2375(2008)04—0351—05 多 目标粒子群优化算法研究 郑友莲 ，樊俊青 (1．湖北大学 数学与计算机科学学院，湖北 武汉 430062；2．中国地质大学 计算机学院，湖北 武汉 430074) 摘要 ：在过去的十多年 ，粒子群算法对多 目标优化问题的应用研究取得 了较大的进展．本文首先描述多 目 标粒子群优化算法(MOPSO)的基本流程 ，然后从算法设计与应用等方面 回顾 MOPSO 的研究进展 ，最后对该 算法未来的研究进行 了分析和展望． 关键词 ：多 目标优化 ；粒子群优化 ；算法设计 中图分类号 ：TP301 文献标志码 ：A 1 引言 粒子群优化 (PSO)是一种智能优化方法 ，其基本思想来 自对鸟群优美而不可预测的飞行动作的模 拟，在 PSO 中，粒子在搜索空间的飞行速度动态地随粒子 自身和同伴的历史飞行行为改变而改变．自从 Kennedy和 Eberhart[1于 1995年首次提出该算法以来 ，PSO得到了很大的发展． 标准 PSO中，粒子 i在搜索空间的速度和位置根据如下公式确定 一叫× +UEo，r]×(P一X)+UEo，rz]×(P 一x) (1) 一 — X 一X + (2) 其中叫为惯性权重 ，r，，一为加速常数 ，U[a，6]表示区间[n，6]内均匀分布的随机数．P 为粒子 自身经 历的最好位置 ，而P 为粒子所对应的全局最好位置 ，它是整个群体所经历的最好位置．x 与 为时刻 t的位置与速度．公式(1)表示粒子速度由3部分决定 ：惯性部分 、认知部分和社会部分 ，它们共同改变粒 子飞行速度 ，但速度会受到最大速度 的限制． 近年来 ，多 目标粒子群优化 (MOPSO)的研究取得了一些进展 ，它对多 目标优化问题的处理方法与 多 目标进化算法 (MOEA)比较相似 ，许 多在 MOEA 中使用很成功 的策 略如外部档案常被 引入 到 MOPSO中；另一方面 ，与 MOEA不同，MOPSO一般不必进行适应度赋值 ，使算法设计得到简化 ，但 MOPSO必须为每个粒子从外部档案 中选取一个合适 的全局最好位置．这是 MOEA设计 中所没有的． 本文首先给出MOPSO的基本描述 ，然后回顾 MOPSO的研究现状 ，最后对未来研究进行展望． 2 多 目标粒子群优化算法 具有精英策略的MOPSO具体步骤如下 ： (1)令 ￡一0； (2)初始化粒子群 ，计算各粒子对应的目标函数 向量，将其 中的非劣解加入到外部档案A ； (3)确定粒子的初始 P 和初始P ； (4)在保证粒子在搜索空间内飞行条件下，改变粒子的速度和位置 ，形成 P… ，调整粒子的P ； (5)根据新的非劣解维护外部档案 ，形成A… ，同时为每个粒子选取 P ； (6)t— +1，若 中止条件成立 ，停止搜索 ，否则转 (4)． 收稿 日期 ：2008一O4一O2 基金项 目：湖北省 自然科学基金项 目(207ABA044)资助 作者简介 ：郑友莲(1972一 )，女 ，硕士 ，讲师 湖北大学学报 (自然科学版) 第 3O卷 其中外部档案用来保留算法在搜索过程 中获得的一些非劣解 ，它是许多 MOEA和MOPSO不可分 割的部分 ，通常，事先为外部档案的大小规定最大值 ，即档案中能保留的非劣解的最大个数． 可以看出，MOPSO的主要部分包括外部档案的维护、全局最好位置的选取 、自身最好位置的更新 以及如何保证粒子始