一种用于MOPSO全局极值确定和种群更新新策略.docVIP

一种用于MOPSO的全局极值确定和种群更新的新策略 　　摘要：多目标粒子群优化过程中，收敛速度和粒子的多样性之间往往不能兼顾，且常易于陷入局部最优。为了更好地解决此问题，该文结合Pareto支配的思想，提出了一种改进的多目标粒子群优化算法。此方法使用带有规模限制的外部档案，并采用在线归档技术，改进了粒子群和外部档案的更新方式。当外部档案达到最大规模时，剔除密集距离最小的非劣解；在全局极值的确定中，除考虑概率外，选取稀疏距离最大的非劣解作为当前代的全局极值；另外采取多次迭代的方法更新种群。对几个典型函数的仿真结果表明，算法在寻优效率和Pareto前沿的性能指标方面达到了满意的效果。该算法为其他更加复杂的多目标优化问题提供了新思路。 　　关键词：多目标优化；外部档案；密集距离；稀疏距离 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）27-0217-04 　　Abstract：In the MOPSO， it may be difficult to take into consideration both the convergence rate and diversity. Usually， locally optimal solution can be gained. In order to settle these questions much better， a modified MOPSO which combined with the conception of Pareto domination is proposed in this paper. External archive with size limitation is adopted，and online elite archive， which is benefit to the modification of updating method is referred to. While the size of external archive exceeds the edge， the Pareto optimal solution with minimal crowding distance will be deleted. Besides the probability， one of the solutions whose sparse distance value are biggest will be chosen as the global best value. In addition， several times of iteration are applied to update the swarm. The simulation results of typical functions show that the new approach has good effect on search efficiency and performance metrics of Pareto fronts. It will contribute to more complicate multi-objective problems. 　　Key words：multi-objective optimization； external archive； crowding distance； sparse distance 　　工程??践中的很多实际问题在进行数学建模以后，都可以抽象为一个多目标的优化问题。多目标优化问题（Multi-objective Optimization Problem， MOP）通常不存在某个绝对的最优解，使得各目标均同时达到令人满意的结果[1]。随着优化问题的复杂程度越来越高，特别是带有约束条件的MOP问题，现有的算法往往难以兼顾优化过程中算法的收敛性和解集的多样性。 　　传统的多目标算法往往将多目标优化问题转换成单目标问题进行求解，其最大的缺点在于一次只能求出一个解。目前，基于Pareto支配机制的粒子群优化算法常用于求解MOP，这些算法主要的区别在于全局极值的选取方式和最优解集的保存形式上。文献[2]提出一种基于免疫网络的改进多目标粒子群优化（Multi-objective Particle Swarm Optimization， MOPSO）算法，改进的多目标粒子群算法和改进的聚类免疫网络算法保证了算法的有效性。文献[3]利用外部精英存储策略，利用余弦距离排挤机制来选取最分散的粒子，从而增强算法的全局寻优能力。文献[4]依据Pareto支配关系对个体极值进行选择，并计算