基于混沌鸟群算法的多目标优化算法研究-计算机技术专业论文.docxVIP

基于混沌鸟群算法的多目标优化算法研究摘 基于混沌鸟群算法的多目标优化算法研究 摘 要 在实际应用和科学研究中，经常需要对某些问题进行优化，而这些问题往往 伴随着目的的约束，并且这些优化问题还同时拥有着多个目标，需要对这多个目 标同时优化。因此，单个目标的数学模型常常不足以描述问题的全部特征，而以 多个目标函数为优化对象的数学模型常常被采用。研究多个目标函数优化问题的 求解方法则具有重要的学术意义和应用价值。采用智能优化方法解决多目标函数 在指定区域上的优化，称为多目标智能优化，多目标智能优化在工程和各种学科 中得到了广泛的应用。本文在新兴鸟群算法的基础上，重点研究了多目标进化算 法，其创新工作主要包括如下两点： 由于原始鸟群算法在处理高维变量优化问题时，容易陷入局部最优且稳定性 较差。本文将混沌机制引入鸟群算法中，提出了一种基于混沌的鸟群优化算法 (CBSA)，实现了对原始鸟群算法的改进。CBSA在初始化时通过逻辑映射在优 化问题的整个解空间选取个体，并在一定迭代次数后给搜索到的最优解附加一个 小幅度的混沌扰动，避免算法陷入局部最优。通过七个经典的标准测试函数，本 文算法和经典的PSO、BA及初始鸟群算法分别在低维、高维两种情况下进行比 较，验证了CBSA算法的优越性。 此外，将提出的混沌鸟群算法成功应用于处理多目标优化问题，提出了一种 多目标混沌鸟群算法(MOCBSA)。该算法采用混沌鸟群算法的搜索机制，使用 外部精英集保存非劣解集，使用综合排序操作和改进的拥挤距离来保持Pareto最 优解集的分布性。通过在低维、高维ZDT系列测试函数和DTLZ系列测试函数上 的仿真实验，将MOCBSA和经典的NSGA．II算法、MOEA／D算法及MOPSO算 法进行对比，然后，评价各算法求得的GD、SP、C性能度量指标及收敛曲线， 证明了本文算法是可行的。 关键字：多目标优化；鸟群算法；多目标进化算法；混沌；拥挤距离；综合排序 Ⅱ 万方数据 工程硕士学位论文Abstract 工程硕士学位论文 Abstract In practical applications and scientific researches，it is needed to optimize certain issues accompanied by constraints with some purposes regularly．And simultaneously these optimization problems also have a plurality of targets which need to be optimized．Therefore，the mathematical model with multiple objective functions replaces this model of a single target which is not sufficient to describe all the characteristics of these problems．Investigating the solving method to the optimization problems with multiple obj ective functions has academic significance and application value．It is called multi·objective intelligent optimization when applying intelligent optimization method to solve the optimization with multi—obj ective function．Due to its advantages，it is widely used in engineering and a wide range of disciplines．Based on the new Birds Swarm Algorithm，this paper focuses on the multi-obj ective evolutionary algorithm，and it：s highlights include the following two points： Because the original bird swarm algorithm is easy to fall into local optimization and poor stability when dealing with high dimensional var