基于资源自动分配大规模粒子群算法.pdfVIP

第46卷第1期淮北师范大学学报（自然科学版）Vol.46No.1

2025年3月JournalofHuaibeiNormalUniversity(NaturalSciences)Mar.2025

基于资源自动分配大规模粒子群算法

①

邱小品，陈得宝

（淮北师范大学物理与电子信息学院，安徽淮北235000）

摘要：为实现计算资源有效分配，提出一种基于资源自动分配大规模粒子群算法（VIDRA_MMOPSO）。利用

随机分组对变量进行分组，得到不同变量平均位置组成的新个体，对新个体同组变量施加一定幅度随机扰动，

确定每组变量重要度，根据不同组变量重要度，设计资源自动分配模型，实现不同变量组计算资源自动分配，提

升大规模粒子群优化算法性能。9个标准测试函数仿真实验表明，VIDRA_MMOPSO算法在反世代距离和超体

积2个性能指标上优于大部分对比算法。

关键词：大规模粒子群算法；资源自动分配；扰动；变量重要度；多目标优化

中图分类号：TP391文献标志码：A文章编号：2095-0691（2025）01-0038-07

0引言

［1］［2-3］

科学研究与工程实践等领域存在大量多目标优化问题，如：动态资源分配、电力系统问题等。多

目标优化问题通常存在多个相互冲突目标，通常不存在唯一全局最优解，而是存在多个互不占优解的集

合。随着优化问题复杂度增加，多目标优化问题变量维数不断增加，当变量维数超过100时，这类问题通

常称为大规模多目标优化问题。传统低维多目标优化算法在解决大规模多目标优化问题时，性能急剧下

降。很多学者提出多种形式大规模多目标优化算法。目前大规模多目标优化算法大体可分为3种类型：

［4］

第1类是基于决策变量分组大规模多目标优化算法，如Zhang等提出基于决策变量聚类的大规模多目

［5］

标进化算法（LMEA）；第2类方法基于问题转换大规模多目标优化算法，如Zille等提出加权优化框架

［6］

（WOF）；第3类基于新搜索机制子代个体生成方法，如Tian等提出的大规模多目标竞争群体优化算法

（LMOCSO）。

上述算法计算资源平均分配时通常未考虑不同变量重要度。实际系统往往希望重要度高变量能分

配更多计算资源，以提升算法搜索效率。近年基于资源分配方法在解决大规模多目标优化算法中发挥较

好作用。文献［7］提出根据子群贡献度实现资源分配大规模全局优化算法，在单目标优化中取得良好效

果。文献［8］利用递归分组方法对变量进行分组，根据贡献度大小对每组变量分配不同计算资源。但现

有方法大多集中在依据变量贡献度实施资源分配，且都在单目标优化问题或将多目标优化问题转换成单

目标优化问题中实施，直接面对多目标实施资源分配研究成果较少。此外，现有方法对变量贡献度分析

多采用对单个变量施加扰动，消耗函数评估次数较多，造成计算资源浪费。为此提出基于资源自动分配

大规模粒子群算法（VIDRA_MMOPSO），以期降低目标评价次数，提升算法搜索效率，节省计算资源。

1新的多目标多搜索粒子群优化算法（MMOPSO）

［9］

粒子群算法是模拟群体行为智能优化算法，利用粒子之间信息共享，借鉴粒子在进化过程中经验，

收稿日期：2024-06-01

基金项目：国家自然科学基金项目；安徽省学术和技术带头人后备人选科研活动经费项目（2021H264）；安徽省高校学科

（专业）拔尖人才学术资助项目（gxbjZD2022021）

作者简介：邱小品（1999—），女，河南永城人，硕士生，研究方向为智能信息