動態(tài)多目標(biāo)粒子群優(yōu)化算法研究及應(yīng)用.pdf

1、多目標(biāo)最優(yōu)化(MOP)也稱為多標(biāo)準(zhǔn)優(yōu)化，多績效或向量優(yōu)化問題。多目標(biāo)問題求解困難而且廣泛存在，吸引著大量科研工作者對其進行深入的研究。進化算法的出現(xiàn)使得多目標(biāo)問題的解決有了方法和途徑，而粒子群優(yōu)化算法(Particle Swarm Optimization, PSO)也是進化算法的一種，粒子群優(yōu)化算法一開始是模擬鳥類的覓食行為，其具有概念簡單、易于實現(xiàn)、收斂快等優(yōu)點，因而逐漸地被廣泛應(yīng)用于多向量優(yōu)化問題中。但是，多向量優(yōu)化算法仍然存一些

2、缺陷，例如用該算法求解多峰問題非常困難，在求解過程中易陷入局部極值、得出解分布性不均均勻、用該算法對于高維問題的求解也很困難等，因此我們需要更深層次的去研究多目標(biāo)粒子群優(yōu)化算法。
　　本文主要做了以下工作：
　?。?）系統(tǒng)的總結(jié)和介紹多目標(biāo)優(yōu)化問題，仔細的分析和介紹了幾種常用的、典型的多目標(biāo)優(yōu)化算法，系統(tǒng)的總結(jié)了多目標(biāo)粒子群優(yōu)化算法的研究背景和研究現(xiàn)狀，對本領(lǐng)域的前沿作了比較深入的歸納和分析。
　　（2）詳細的介紹了多

3、目標(biāo)粒子群優(yōu)化算法，對目前多目標(biāo)粒子群算法存在的缺陷做了深入的分析，詳細介紹了多目標(biāo)粒子群算法的設(shè)計流程及運算過程，對幾種常用克服多目標(biāo)粒子群算法缺陷的改進策略做了系統(tǒng)的分析和研究。
　?。?）對現(xiàn)實世界中的動態(tài)多目標(biāo)優(yōu)化問題進行了陳述，對動態(tài)多目標(biāo)粒子群優(yōu)化算法進行了系統(tǒng)的分析介紹，對動態(tài)優(yōu)化問題的標(biāo)準(zhǔn)測試函數(shù)進行了詳細的分析和介紹，包括動態(tài)環(huán)境變化的特征、數(shù)學(xué)表示方法、及環(huán)境變化的監(jiān)測方法。
　?。?）提出了基于動態(tài)領(lǐng)域

4、的多目標(biāo)粒子群優(yōu)化算法,該算法引入正態(tài)分布隨機變異算子，使粒子在鄰域內(nèi)隨機變異，同時在個體最優(yōu)位置選取時，對未進入過精英解集的粒子進行變異，使粒子能夠在新的可行域中尋找，從而加快粒子的收斂速度，該算法克服多目標(biāo)粒子群算法存在收斂性差，易陷入局部最優(yōu)等缺陷。
　　（5）將提出的改進算法應(yīng)用到煤制甲醇合成的過程中的參數(shù)優(yōu)化中，并用BP神經(jīng)網(wǎng)絡(luò)建模，進行應(yīng)用驗證，通過仿真實驗取得了較好的實驗效果，驗證了所提算法的有效性。
　　本文