基于改进人工蜂群算法的约束多目标进化算法.docxVIP

基于改进人工蜂群算法的约束多目标进化算法 为了确保满足多目标限制，有必要确保获得的最合适量解决方案接近真实的帕德，并均匀分布，这比复杂的多目标边界问题更复杂。现在的约束多目标处理方法主要有4种:①把约束违反度作为一个目标重新求解;②利用自适应罚函数法修改目标函数值;③利用约束支配关系直接求解;④利用外部种群分别存储可行解和不可行解,是目前最为优秀的约束多目标算法的处理方式,优化效果也较好。遗传算法、粒子群算法、差分算法等都已成为典型的约束多目标算法,它们结合相应的约束处理技术虽在一定程度上提高了约束多目标算法的收敛性和分布性,但要使其稳定、有效地找到近似Pareto最优解集并同时保证良好分布性仍很困难。 人工蜂群算法是2005年提出的一种新型进化算法,因其参数设置少、收敛速度快、收敛精度高使其得到学者的逐渐关注。文献提出一种结合自适应罚函数法的约束多目标算法,由于该种约束处理技术的局限性,虽然取得了一定的效果,但收敛性和分布性都有待提高。本文选择目前最流行的建立外部种群分别存储可行解集和不可行解集的约束处理技术,在此基础上根据约束多目标问题的特点,对外部种群的更新方式、迭代种群的更新方式及人工蜂群算法进行改进。实验仿真结果表明,CMABC相对于目前性能较好的MOABC及HPSO具有一定优势,能够在保证良好收敛性的同时,使获得的Pareto最优解集具有更均匀的分布性和更广的覆盖范围