基于变异粒子群优化算法的全局搜索.docxVIP

基于变异粒子群优化算法的全局搜索 在科学工程领域存在着许多多目标优化问题（mop）。多目标优化问题的解并非唯一,而是存在一个最优解集合,集合中元素称为Pareto最优解或非劣最优解。自从Schaffer的开创性工作,已经形成了多种多目标优化进化算法(Multi-objective Optimization Evolutionary Algorithm, MOEA)。当前MOEA主要是以模拟生物进化或其它特性,比如多目标遗传算法直接采用交叉和变异、选择等操作,多目标粒子群优化算法模拟鸟群或鱼群的觅食的特性,其他的还有蚁群算法等。 针对MOPSO(Multiobjutive Panticle Swarm Optimiztaim),文献指出MOPSO具有收敛早熟的特性,为避免收敛早熟需引入各种变异操作,但也会带来不稳定性。为了提高MOPSO的多样性,Li引入了NSGA-II的非支配排序思想,文献采用超矩形网格,文献引入最近邻的概念。但这些算法对最终解的多样性的改进能力是有限的。 2002年,Larranga和Lozano提出了一种新的进化算法:基于数学建模的分布估计算法(Estimation of Distribution Algorithm,EDA)。在EDA中没有交叉和变异,它从历史解中提取决策空间的信息并建立期望解的概率分布模型,对这个分布模型进行采样而产生下一代的解。文献开始利用EDA来求解多目标优化问题。2008年,Qingfu Zhang和Aimin Zhou等提出了基于规则模型的多目标分布估计算法(Regularity Model-Based Multiobjective Estimation of Distribution Algorithm, RM-MEDA)。该算法与NSGA-II-PCX及GDE3相比在多样性上显示了其卓越的性能。 近年来,混合算法已经被提出用于提高多目标优化的搜索效率和性能。文献指出单一种类的多目标优化算法很难有效地同时解决收敛性和多样性的问题。在天气预报等实际应用领域,是多种算法混合在共同发挥作用。混合算法集成具有不同特性的优化算法来共同解决多目标优化问题,它是今后多目标优化问题研究的重要内容之一。 笔者把MOPSO与RM-MEDA结合在一起的多目标优化算法MOPSOEDA。增加了变异的MOPSO具有全局搜索能力,而RM-MEDA具有良好的局部搜索能力,因此将这两种算法结合在一起可以发挥各自的优势,从而可以期望获得较佳的寻优性能。笔者采用6个基准函数进行性能测试,实验结果验证了MOPSOEDA的有效性。 1 莫斯洛和eda 1.1 种群q的更新 MOPSOEDA的算法框架如下: Step0)初始化。 设定种群规模为N,和迭代次数Nt,迭代计数器t =0。产生一个具有N个个体的初始化种群Pop(0),并计算Pop(0)中个体的各个目标值。从Pop(0)中随机选择N/2个粒子形成新的种群PSO_Pop。 Step1)如果t等于Nt,停止优化,并返回Pop(t)中的非支配解和相应的目标值。 Step2)粒子群飞行。 把PSO_Pop中的个体全部复制到新的种群Q,从Pop(t)选择最优粒子。种群中的粒子按式(1)和(2)进行更新: vi(t)=wvi(t?1)+c1r1(pi?xi(t?1))+c2r2(pg?xi(t?1))?(1)xi(t)=vi(t)+xi(t?1)?(2)vi(t)=wvi(t-1)+c1r1(pi-xi(t-1))+c2r2(pg-xi(t-1))?(1)xi(t)=vi(t)+xi(t-1)?(2) 其中:vi- 粒子飞行速度;w- 惯性权重;c1,c2- 加速度系数;r1,r2- 是在范围变化的随机数;Pi- 粒子在历史中的最好位置;pg- 整个群体领导粒子的位置。 评价种群Q中个体的各个目标值,更新个体最优位置。 Step3)第一次选择。 从集合Pop(t)(PSO_Pop(Q选出N个粒子代替Pop(t); 从PSO_Pop(Q选择N/2个粒子代替PSO_Pop。清空Q中的解。 Step4)采用RM-MEDA进行训练、建模,及产生新个体。 采用RM-MEDA提取Pop(t)中的解在决策空间的信息并建立期望解的概率分布模型(称为训练和建模),并根据概率模型产生N/2个新的解到集合Q。评价种群Q中个体的各个目标值。 Step5)第二次选择。 从集合Pop(t)(Q选择N个个体产生Pop(t+1)。令t=t+1,转到Step1)。 1.2 基于pso算法的多目标优化 在MOPSOEDA的Step2)是采用粒子群优化算法产生N/2个解。Sierra和Colleo指出将PSO算法应用于多目标优化问题,需要考虑如何选择最优粒子,如何引入变异操作来增强多样性等问题。下面对算法的细