面向高維及多目標(biāo)優(yōu)化的粒子群算法研究.pdf

1、現(xiàn)實(shí)世界中存在著大量的優(yōu)化問(wèn)題，特別是在工程實(shí)踐和科學(xué)研究領(lǐng)域。而隨著工業(yè)生產(chǎn)過(guò)程的復(fù)雜化，越來(lái)越多的優(yōu)化問(wèn)題維度更高，需要優(yōu)化的目標(biāo)數(shù)量更多。同時(shí)由于這些問(wèn)題往往具有多峰，多極值，不連續(xù)等特點(diǎn)，用傳統(tǒng)的運(yùn)籌學(xué)優(yōu)化方法已難以解決。粒子群算法作為一種利用種群搜索的智能優(yōu)化方法，能比較有效地求解高維和多目標(biāo)優(yōu)化問(wèn)題，越來(lái)越受到國(guó)內(nèi)外研究者的關(guān)注。本論文旨在通過(guò)對(duì)粒子群算法解決超高維及多目標(biāo)問(wèn)題進(jìn)行深入的探索和研究，設(shè)計(jì)高效的粒子群算法和策略

2、，并進(jìn)行實(shí)驗(yàn)分析。具體包括以下研究?jī)?nèi)容:
　　為了平衡粒子群算法的收斂速度與種群多樣性，進(jìn)一步提高粒子群算法的全局搜索能力，本文提出了具有隨機(jī)社會(huì)認(rèn)知能力的分層粒子群算法(HPSO-RSC).在HPSO-RSC中，粒子的社會(huì)環(huán)境是動(dòng)態(tài)改變的，它不僅受到最優(yōu)解和上層粒子的吸引，同時(shí)隨機(jī)地受到所有比自身好的粒子的影響。進(jìn)化過(guò)程前期，粒子更偏向于選擇最優(yōu)解作為認(rèn)知對(duì)象，而在進(jìn)化過(guò)程后期，粒子偏向于選擇稍微比自身好的解進(jìn)行社會(huì)認(rèn)知。同時(shí)，

3、加入的波動(dòng)算子也使得粒子更易于逃離局部最優(yōu)解。結(jié)合高效的分組方法、協(xié)同進(jìn)化框架，使HPSO-RSC可以來(lái)解決高維優(yōu)化問(wèn)題。在CEC2008測(cè)試集上，對(duì)HPSO-RSC算法做實(shí)驗(yàn);結(jié)果表明，HPSO-RSC對(duì)大部分標(biāo)準(zhǔn)復(fù)合測(cè)試函數(shù)都有很強(qiáng)的全局搜索最優(yōu)解的能力。
　　針對(duì)多目標(biāo)優(yōu)化問(wèn)題中Pareto解集隨著進(jìn)化過(guò)程越來(lái)越大，從種群中隨機(jī)選擇交叉對(duì)象的選擇策略交叉后產(chǎn)生更優(yōu)新個(gè)體的比例越來(lái)越小的問(wèn)題，本文提出了帶有導(dǎo)向性交叉因子的MO

4、PSO/D(MOPSO/D-GC)。MOPSO/D-GC算法首先檢測(cè)變量與目標(biāo)函數(shù)之間的相關(guān)性，這樣可以根據(jù)一個(gè)個(gè)體的目標(biāo)函數(shù)值優(yōu)劣情況來(lái)體現(xiàn)其變量基因段的優(yōu)劣;在優(yōu)化過(guò)程中，選擇在不同目標(biāo)函數(shù)上較優(yōu)的個(gè)體相應(yīng)的基因段做交叉，產(chǎn)生新個(gè)體。然后，為了更有效地利用個(gè)體鄰域的啟發(fā)作用，本文把個(gè)體鄰域里其他個(gè)體的進(jìn)步方向也作為個(gè)體學(xué)習(xí)的因素。同時(shí)，本文提出了一種根據(jù)優(yōu)化過(guò)程中適應(yīng)度值的變化動(dòng)態(tài)地選擇下一步要優(yōu)化的個(gè)體的動(dòng)態(tài)調(diào)度機(jī)制，并實(shí)驗(yàn)測(cè)試這