改基于多目标优化的粒子群算法研究.docVIP

求解约束优化问题的多目标粒子群算法堆 【摘要关键词objective particle swarm optimizer for solving constraint optimization problems 【Abstract】This paper proposed an improved multi-objective particle swarm optimizer for solving constrained optimization problem(MOCPSO for short). In MOCPSO, firstly, converted the constraint optimization problem into multi-objective problems, and then introduced the infeasible threshold value to make the best of infeasible solution message to lead the swarm flight. Proposed a new comparison strategy to compare any two particles. Finally, in order to increase the diversity of the swarm and improve the ability to escape from the local optima, proposed the Gaussian white noise disturbance. The results of experiment on benchmark test functions verify the effectiveness of the proposed method. The proposed MOCPSO algorithm is effective compared with other state-of-the-art approaches. 【Key words】multi-objective; constraint; particle swarm optimizer(PSO) 因为没有充足的资源，所以说在实际的工程设计中会出现许多的问题，也就是常见的约束条件，那么在实践的过程中，对一些问题进行优化就有着很重要的作用，主要是实践以及理论两个方面。相对而言，粒子群算法(PSO)[1]是一个比较先进的技术，虽然说在某些方面与进化的算法比较类似。主要采用的方法是通过鸟群的模仿或是鱼群的模拟而进行相关搜索，但是不用使用变异或是杂交的方法。在这个群体中，每个成员都要不断的学习或是跟别的学员进行沟通来找到一个最优解。所谓的PSO算法就是一种没有约束条件的优化技术，在求解问题时，可以加入一些约束条件，这样的处理效果可以更好。但是要怎么使用PSO算法才能解决约束优化问题呢，这些从各个方面吸引了许多研究专家的好奇与兴趣 [2-5]。但是在实际的操作过程中，许多研究并没有提供信息价值，更别说是一些有效的信息。所以说，本文就利用这些不可解的信息，在这个基础上，提出了能够解决约束问题算法，而且还是多目标优化的PSO算法(MOCPSO)。 1描述优化问题 因为这篇文章主要是通过优化一些约束条件从而找到最优解，所以说根据一些问题的描述，给出了三个有关目标优化的定义。 1．1多目标优化问题 多目标问题的最有价值的解被称为Pareto最优解。相关的问题可以通过以下的方法表示： max（min）Z = c1 x1 + c2 x2 + … + cn xn (1.1a) s.t. a11 x1 + a12 x2 + … + a1n xn ≤（或=，≥）b1 a21 x1 + a22 x2 + … + a2n xn ≤（或=，≥）b2 … … am1 x1 + am2 x2 + … + amn xn ≤（或=，≥bm (1.1b) xj ≥ 0 （j = 1,2,…,n） (1.1c) 其中aij、bi、cj（i = 1,2,…,m；j = 1,2,…,n）为已知常数，式（1.1a）称为目标函数，式（1.1b）和（1.1c）称为约束条件。 根据以上问题的提出，给出以下三个很重要的定义： 定义l可行解集。在基本解中若 Xb≥0则称此基本解为基本可行解，简称基可行解，这时对应的基B称为可行基。由于矩阵A的秩为m，故对于选定的基B，基变量共有m个，非基变量共有n–m个，这样在一个基本解中，取零值的变量至少有n - m个，而取非零值的变量最多只有m个。 定义2 基解。由（B、N）(xB,xN)T= b， 得BxB + NxN