多样性增强的多目标粒子群算法

对于具有三个以上冲突目标的多目标问题，几乎所有解决方案都不是Pareto主导的。 因此，解决方案的比较是许多目标优化中的关键问题。 提出了一种简单有效的基于归一化排序度量的方法来比较解决方案。 所有解决方案均按每个目标的归一化适应度值之和排序。 对于最小的优化问题，较小的值的解决方案被认为是一个很好的解决方案。 为了增强所有解决方案的总体多样性，每个目标的小值解决方案和适合度更高的解决方案都保存在档案中，并在每次迭代时进行更新。 该排序指标还用于粒子群优化算法中，以解决多目标和许多客观问题。 利

提出一种基于随机黑洞粒子群算法(RBH-PSO) 和逐步淘汰策略的多目标粒子群优化(MRBHPSO-SE) 算法. 利用RBH-PSO 全局优化能力强和收敛速度快的优点逼近Pareto 最优解; 为了避免拥挤距离排序策略的缺陷, 提出逐步淘汰策略, 并将其应用到下一代粒子的选择策略中. 同时, 动态选择领导粒子, 运用动态惯性权重系数和变异操作 来增强种群全局寻优能力, 以及避免早熟收敛. 利用具有不同特点的测试函数进行验证, 结果表明, 与同类算法相比, 该算法具有较高的精度并兼顾优化解的多

提出一种空间联合概率数据关联的多目标粒子群优化(DS-MOPSO) 算法. 采用正态分布确保初始样本均匀分布, 通过采用拥挤距离和先验概率采样确立外部归档中非支配解的拥挤度来保持解的多样性; 采用Sigma 方法作为选择精英粒子策略寻找全局最优解; 利用空间联合概率数据关联动态生成每个粒子的惯性权值, 增强粒子的搜索区域, 防止算法陷入局部最优. 仿真实验结果表明, 采用所提出的算法所得到的Pareto 解集具有很好的收敛性和多样性.

为了进一步提高多目标粒子群优化算法的收敛性和多样性,提出一种多策略改进的多目标粒子群优化算法.建立具有精英粒子领导的异构更新模式并设置个体学习增强因子项,促使种群能够快速寻找真实Pareto最优解.引入外部档案冗余机制,利用其变异及对种群的干扰策略增强解的多样性,避免算法早熟现象的发生.仿真实验结果表明,与其他几种优化算法相比,所提出的算法表现出较好的收敛性和多样性.