一种多目标粒子群优化算法.docxVIP

一种多目标粒子群优化算法 0 基于多目标进化算法的群体决策 在过去10年中，先进的计算方法在解决多目标优化问题上发挥了良好的优势，因为它可以找到多个解算方法，并将其收敛到相对均匀的区域，分布相对均匀。现在进化计算方法与决策理论结合在一起,在多目标决策中发挥作用,是一个重要的研究热点。其特点是不再注重于近似整个Pareto前沿,而是集中于决策者所关心的那些Pareto最优解,使得搜索的效率更佳。 但多目标进化算法应用于群体决策方面的研究还非常缺乏。文献中介绍了解决群体决策问题的一种遗传算法方法,决策者的偏好用参考点(概念详见2.1节)表示,再通过分层排序或者距离引导种群向群体解进化。而在决策支持系统中,有关群体决策的研究已经较为深入。但是其中大部分研究都是基于以下两点不是很符合实际问题的假设:其一,大部分情况下,只有少数几个可选方案,而在这几个方案中必须选择一个作为最后群体解决方案,而很少关注到如何在一个数量巨大的可选择空间中进行优化;其二,通常假设群体是同类的,因此可以整合到一个通用的偏好函数。基于以上假设后,可以应用名义群体技术、DELPHI方法、层次分析法等方法以类似于单决策者的方式进行决策。但是,决策群体都同意一个公共的偏好函数,是不太实际的,特别是对于群体成员较多的情形,是非常困难或者根本无法得到公共偏好函数的。 本文的目的,是将多目标粒子群优化方法应用于群体决策,决策者的偏好也以参考点表示,但不再直接使用分层排序或距离方式,而是在支配概念或者距离阈值下,使用了群体决策中应用最广的投票规则进行求解。我们的重点在于搜索群体关心的一小集合的Pareto最优解,并且用ZDT问题进行验证。 1 般mopso算法 多目标优化问题(MOP)一般定义如下: 其中X是Rn空间中的决策变量,D是其定义域,fi:Rn→R,i=1,2,…,k是目标函数;gi,hj:Rn→R;i=1,2,…,m;j=1,2,…,q是约束函数。 对于多目标优化问题,一般没有一个使得所有目标函数均为最优的解,所以采用的多是Pareto解。 在MOPSO中,由粒子群到当前为止所发现的非支配解都存储在外部种群档案(external archive)中。每个粒子除了向自己所经历的某个非支配历史位置(pbest)学习外,同时从外部种群档案中按照一定规则选择一个解作为引导者(leader)。外部种群档案随着计算的进行不断更新,其所包含的解在运行结束时一般也是最终输出结果。一般MOPSO流程如下: 算法1一般的MOPSO算法 Begin Initialize swarm Initialize leaders in an external archive Quality(leaders) Iteration = 0 While(Iteration max_Iteration) For each particle Select leader Update Position(Flight) Mutation Evaluation Update pBest End For Update leaders in the external archive Quality(leaders) Iteration++ EndWhile Report results in the external archive End 其中“Quality(leaders)”一般是计算粒子的拥挤距离或适应度或其它粒子密度的评价值,以便后面有一定规则为每一粒子从外部种群档案中选择leader,使得粒子在向Pareto前沿飞翔的同时保持较好的分布性。 在MOPSO中,各种算法不同的地方,主要在于外部种群档案的设计及剪枝策略、leader的选择方法、pbest的更新方法。 2 基于选定的mopso参数 2.1 群体偏好信息 在决策者偏好信息方面,有多种表示方式。决策者不同,其给出的偏好信息也会不相同。在相关文献中,主要有以下几种方式:目标的重要性优先次序,目标的重要性权重,参考点,参考区域,参考方向等定义。本文假设群体成员的偏好信息以参考点表示。 偏好参考点表示用户的期望目标,表现为目标空间中一个点。设群体中有N个决策者,每个决策者偏好都用一个参考点Rn(Rn1,Rn2,RnNF),n=1,2,…,N描述,NF是目标函数个数。任一解x与参考点的距离用欧几里德距离公式定义: (2) 其中fi是第i个目标函数,fmaxiimax(x)、fminiimin(x)是第i目标函数的最大值、最小值,其作用在于进行规范化。 2.2 决策参与规则 收集好群体成员的偏好后,进行决策时,就要根据不同的决策方法对其偏好进行整合,以期找到群体偏好的解。在群体决策中,应用最广的是投票方法,群体成员根据每个人自己的偏好,对决策方案进行投票