多目标粒子群优化算法的改进及其应用-计算数学专业论文.docxVIP

I万方数据 I 万方数据 摘要 摘 要 在科学计算和工程应用领域中存在着大量的多目标优化问题，这些目标之间往往 存在内在冲突，传统的多目标优化算法都是将其转化为单目标优化问题，然后利用成 熟的单目标优化算法来求解。与单目标优化问题不同，多目标优化问题的解是一组或 多组可行解，被称为 Pareto 最优解集，所以传统的方法对于多目标优化问题的求解 往往无能为力。但是考虑到多目标优化问题在人们日常生活中广泛存在，因此设计一 种高效的优化算法来解决多目标优化问题已经迫在眉睫。 粒子群算法(PSO)是近年来发展起来的一种基于群智能的进化算法。因为 PSO 是 一种基于种群操作的计算技术，可以并行地搜索解空间的多个解，所以很适合求解多 目标优化问题。与其它进化算法相比，PSO 具有理论简单，易于实现、需要设置的参 数少、收敛速度快等优势，因此已经被广泛地用来求解多目标优化问题。但是一般的 PSO 也存在收敛效率低，易陷入“局部最优”等缺点，为了解决这些问题，我们提出 了一种新的多目标粒子群优化算法。本文的工作主要包括以下几个方面： 1.首先对求解多目标优化问题的传统方法进行了归纳总结，然后介绍了 PSO 在多 目标优化领域的研究状况，并着重讨论了几种比较典型的多目标粒子群算法（MOPSO）。 2.其次设计了一种新的 MOPSO，主要从三个方面对算法进行了改进和优化：（1） 引进了双种群进行迭代寻优，避免了种群中的粒子都朝向某个最优粒子移动，而陷入 “局部最优”；（2）精英集的进化，通过对精英集的全局极值的选取方式进行改进， 让其也参与迭代寻优，这样不仅加快了收敛速度，也提高了收敛精度；（3）引进了动 态交换策略，在每次迭代完成后，基于 Pareto 支配思想，在精英集 P1 和非精英集 P2 之间动态地交换个体，当 P2 中的个体支配 P1 的个体时，则相互交换，这种优胜 劣汰的方法很好地保证了种群的进化。 3.最后通过标准测试函数的实验来检验改进的 MOPSO 的性能，并将其与经典的多 目标粒子群算法 DN-MOPSO 作比较，实验结果表明改进的 MOPSO 能够快速有效地收敛 到 Pareto front，而且在收敛性和分布性上比 DN-MOPSO 具有一定的优越性。 关键词：粒子群算法；多目标优化；多目标粒子群算法；非劣最优解 Abst Abstract II万方数据 II 万方数据 Abstract There are a large number of multi-objective optimization problems in the scientific computing and engineering applications. Many inherent conflicts exist among these objectives. The traditional multi-objective optimization algorithms translate it into single-objective optimization problem, and then use sophisticated single-objective optimization algorithms to solve it. The solution of multi-objective optimization problem is one or more sets of feasible solutions, which is different from single-objective optimization problem. These solutions are named Pareto optimal solution set. Therefore, traditional methods are often powerless for solving multi-objective optimization problems. However, taking the multi-objective optimization problem exists widely in peoples daily life into consideration, it is very urgent to design an efficient optimization algorithm to solve multi-objective optimization problem. Particle swarm optimization (PSO) has developed in recent years as an e