- 1、本文档共7页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
多目标非支配邻近免疫粒子群算法.pdf
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
文档评论(0)