多目标非支配邻近免疫粒子群算法.pdfVIP

第45卷第6期 太原理工大学学报 V01．45No．6 0FTECHNOLOGYNov．2014 2014年11月 JOURNALOFTAIYUANUNIVERSITY 文章编号：1007—9432(2014)06一0769一07 多目标非支配邻近免疫粒子群算法 刘俊华，高岳林 (北方民族大学信息与系统科学研究所，宁夏银川750021) 摘 要：针对PSo算法求解多目标优化问题时易陷入局部最优解的问题，采用非支配邻近免 疫算子来对粒子群的外部档案进行维护和变异操作，有效提高了Pareto解的多样性，从而提出一 种多目标非支配邻近免疫粒子群算法(NICPSo)。采用动态加权法选择全局最优粒子，提高全局 搜索能力；当粒子群趋于早熟时，采用优势邻域认知的个体极值更新策略；同时将学习因子表示为 惯性权重的非线性函数，有效提高算法的统一性。通过ZDTl一ZDT4及ZDT6基准测试函数验 证，该算法有效的提高了优化解的收敛性和多样性，与其他多目标进化算法和多目标粒子群优化算 法相比，具有较好的性能。 关键词：多目标优化；粒子群算法；非支配邻近免疫；学习因子 中图分类号：TP301．6 文献标识码：A 粒子群算法(PS0)是一种群体智能算法，通过目标优化问题时，由于全局最优粒子无法领导全局 群体中粒子间的合作与竞争来搜索复杂问题空间中 而导致收敛慢的问题后，提出了一种基于维数更新 的优化解。由于该算法操作简单，收敛速度快，能够 的多目标粒子群算法；文献[6]基于拥挤距离排序算 以较小的计算代价获得良好的优化解，许多学者提 子开发了多目标粒子群算法；文献[7]开发了量子粒 出采用PSO来求解多目标优化问题(MOPs)，但该 子群算法，但都存在进化参数无法自适应调整的问 算法在粒子进化过程中易趋向同一化，陷入局部最 题。由上述文献可以看出，目前的多目标粒子群算 优解，不能直接应用于求解多目标优化问题。所以 法，若注重收敛精度，则解的均匀多样性较差；若注 他们认为将PSO扩展为MOPSO需要解决以下问 重解的均匀性，则收敛精度变差。 题：1)如何在搜索过程中产生非支配解并构成Pare— to解集，这些解不仅对当前种群是非支配的，而且 为了提高多目标粒子群算法的收敛精度同时增 对所有的过去种群也是非支配的；2)如何选择粒子 加非劣解的均匀多样性，本文将非支配邻近免疫算 局部最优值和群体全局最优值，以指导粒子群向 子[8]应用到MOPSO算法的外部档案维护过程中， Pareto前沿进化；3)如何保持Pareto前沿上优化解 提出一种多目标非支配邻近免疫粒子群算法 的多样性。 2002年，Deb[1 3等提出一种非支配排序遗传算 验证了NICPSO算法具有较好的性能。 法(NSGA—II)，对MOPSO的研究产生了重大影响， 它是目前公认高效的多目标算法。Li[21把非支配排1 多目标优化及PSO算法简介 序的思想引入PSo算法中，并从非支配解集中随机 1．1 多目标优化问题的数学描述 选择粒子作为最优粒子来引导粒子群飞行；文献[3] 本文研究以下无约束多目标优化问题： 提出了在支配一个粒子外部集的个体中为该粒子选 取其全局极值的优化策略；文献[4]中采用动态