基于动态交换策略的快速多目标粒子群优化算法研究 a fast multi-objective particle swarm optimization based on dynamic exchange strategy.pdfVIP

第12卷第2期 电路与系统学报 V01．12No．2 2007年4月 JOI瓜NAI，OFC琢CUITSANDSYSTEMS April，2007 文章编号：l007一0249(2007)02-0078一06 基于动态交换策略的快速多目标粒子群优化算法研究★ 金欣磊1，一， 马龙华w， 刘波1， 钱积新1 (1．浙江大学系统工程研究所，浙江杭州310027；2．上海海事大学电子工程系，上海200135) 摘要。本文提出了一种基于动态交换策略的快速多目标粒子群优化算法，通过把初始种群分割成Pareto和 Non 索和逼近。实验和应用实例均表明了该算法的有效性和快速性，并通过性能指标ER的计算验证了本算法优于某些同 类的多目标优化算法。 关键词t粒子群优化算法(Ps0)；多目标优化(MO)；动态交换策略。 中圈分类号tTP273 文献标识码tA 1 引言 多目标优化问题起源于许多复杂系统的设计、建模、规划问题。自从20世纪60年代以来，多目 标优化问题吸引了越来越多不同背景研究人员的注意力。尤其是近年来，进化算法在多目标优化中获 得了越来越广泛地应用和研究，产生了一系列新颖算法并获得良好的应用。 多目标优化命题‘一般不存在唯一的全局最优解，所以实际上的多目标优化命题往往是如何寻求 Pareto解集的过程。传统的多目标算法往往是转换成单目标命题后利用成熟的单目标优化算法求解， 其缺点在于一次优化求解只能求出一个解。而现在的进化多目标策略越来越趋向于能通过一次并行计 算求解出足够多的解分布在Paretof-ront上提供决策人员进行下一步决策。其中粒子群优化算法作为一 种新颖的进化计算策略，已经越来越广泛地应用于多目标优化问题求解。 2 多目标优化问题描述 定义l：多目标优化命题(multi．objectiveoptimizationproblem：MOP) Min，(x)=[厶(x)，厶(x)，…，无(x)] f=1，2，…，埘 Subjectto(s．t．)毋(x)≤o Ijl，(x)=0，=1，2，…，聆 ^，(x)(扛l，2，…，p)称为等式约束。 定义2：全局最优 其中，x+称为全局最优解，，是目标函数，力是可行解空间。 定义3：Pareto解 定义4：ParetoDomin肌ce：(Pareto支配) 向量x‘=一，Z，…，矗]由x=【而，吃，…，杨】支配，必须满屋以下两个条件： Vf， ，(x’)≤，(x)， f=1，2，…，胛 1≤如≤，l |南，厶(x。)厶(x)， Front 定义5：Pareto ’收稿日期。2005．05．23修订日期：2006．09．27 基金项目·国家自然科学基金资助 叠信作者：马龙华lhma@iipc．zju．edu．cn 万方数据 第2期 金欣磊等：基于动态交换策略的快速多同标粒予群优化算法研究 79 所有的Pareto解的集合组合成为ParetoFront。 3 粒子群优化算法 Lifc)的 研究结果启发，其基本概念源于对鸟群捕食行为的研究。研究者发现鸟群在飞行过程中经常会突然改 变方向、散开、聚集，其行为不可预测，但其整体总保持一致性，个体与个体之间也保持着最适宜的 距离。通过对类似生物群体行为的研究，发现生物群体之间存在着一种社会信息共享机制，它为群体 的进化提供了一种优势，这就是PSO算法的形成基础。 PSO中，每个优化命题的潜在解都是搜索空间中的一只鸟，称之为“粒子”。所有粒子都有一个由 优化函数所决定的适应度(fitnessvalue)，每个粒子还有一个速度决定他们的飞翔方向和距离，然后 粒子就追随当前的最优粒子在解空间中进行搜索。PSO初始化一群随机粒子(随机解)，然后