基于全局最优位置自适应选取与局部搜索多目标粒子群优化算法.docVIP

基于全局最优位置自适应选取与局部搜索多目标粒子群优化算法 　　摘 要：针对多目标粒子群优化算法全局最优位置（gbest）选取存在的缺陷和局部搜索能力弱的缺点，提出一种基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法MOPSOGL。首先对Sigma法进行改进，引入拥挤距离机制，不再是粒子从档案中选择全局最优位置，而是档案成员从种群中选择合适的被引导粒子，引导种群均匀快速地向Pareto前沿飞行，提高了Pareto解的收敛性和多样性；其次当种群寻优能力减弱时，引入基于Skew Tent映射的变尺度全面搜索混沌优化策略对外部档案进行局部搜索，以提高算法的收敛性；最后通过与其他多目标优化算法的比较，结果表明MOPSOGL具有更好的收敛性和分布性。 　　关键词：粒子群优化；多目标优化；全局最优位置；局部搜索 　　0 引言 　　大多数科学和工程问题都是多目标优化问题（Multiobjective Optimization Problem， MOP），目标之间往往是相互冲突的，不存在唯一的最优解，而是一组最优解集，如何获得这些目标的最优解集是研究的焦点问题。粒子群优化（Particle Swarm Optimization， PSO）算法[1]具有简单通用、鲁棒性强、收敛快、依赖的经验参数少等优点，使其在MOP中的应用逐渐成为研究热点[2]。 　　在PSO中，全局最优位置（global best，gbest）的确定是算法的重要部分。与单目标优化不同，在多目标优化条件下，存在多个彼此不受支配的非劣解，保存在外部档案内，如何为粒子从外部档案中选择合适的gbest，以引导种群向Pareto前沿飞行，对多目标粒子群优化（MultiObjective Particle Swarm Optimization，MOPSO）算法的收敛性和多样性有很大的影响[2]，并且档案成员越优秀选出的gbest也越优秀。然而由于MOPSO局部搜索能力较弱，对复杂的多峰问题易陷入局部极值，导致部分档案成员不再优秀。国内外学者对MOPSO进行了广泛的研究： 　　文献[3]为每个粒子在种群选取另外三个粒子，利用差分进化操作得到gbest，存在一定随机性； 　　文献[4]利用粒子角度划分方法确定gbest，首先优先选择粒子较少的角度划分范围，再为粒子从该角度划分范围内随机选择一个非劣解作为gbest； 　　文献[5]首先利用Sigma法[6]确定gbest???使种群快速接近Pareto前沿，然后利用理想点法增加解的多样性，其中Sigma方法收敛速度快，但是容易导致算法早熟收敛； 　　文献[7]提出一种基于ε占优的MOPSO，利用ε占优来更新外部档案，加快运行速度，其中gbest随机从外部档案中选取； 　　文献[8]利用增广Lagrange乘子法对非劣解进行局部搜索，以提高局部搜索能力，其中gbest从档案前20%非劣解中随机选取； 　　文献[9]将混沌引入差分进化算法，利用Tent映射进行种群的混沌初始化，结合混沌替换操作进行种群的环境选择操作，提高了算法的收敛精度。上述研究中，gbest选取策略还存在一些问题，如选取的随机性和容易导致算法早熟收敛。在提高算法收敛性方面，因混沌能在一定范围内不重复地遍历所有状态，所以是一种高效的搜索机制，可以有效提高算法的局部搜索能力[9-11]，目前将混沌优化引入到MOPSO中的研究还比较少。 　　因此，本文提出了基于gbest自适应选取与局部搜索的多目标粒子群优化算法（MultiObjective Particle Swarm Optimization algorithm based on Global best position adaptive selection and Local search， MOPSOGL）。对Sigma法进行改进，引入拥挤距离机制，为档案个体自适应计算其被选择为引导粒子的最大次数，使种群均匀快速地向Pareto前沿飞行，以提高Pareto解的收敛性和多样性；其次，当种群寻优能力减弱时，引入基于Skew Tent映射的变尺度全面搜索混沌优化策略对外部档案进行局部搜索，根据种群进化状态自适应调整搜索精度，以提高算法的收敛性；最后仿真实验验证了MOPSOGL的有效性。 　　对于算法的稳定性，从图4～8可以看出，MOPSOGL在5个测试函数上输出的结果不仅精确收敛到真实Pareto前沿上，而且30次实验的结果几乎完全重合，表明算法具有良好的稳定性。 　　对于算法的收敛速度，从表3可以看出MOPSOGL在较早进化代数时就收敛到了真实Pareto前沿，相对其他多目标优化算法，MOPSOGL在5个测试函数上都很早达到其他算法γ的最优值。 　　从表4可以看出，MOPSOGL的计算时