面向高維及多目標(biāo)優(yōu)化的粒子群算法研究.pdf

1、現(xiàn)實世界中存在著大量的優(yōu)化問題，特別是在工程實踐和科學(xué)研究領(lǐng)域。而隨著工業(yè)生產(chǎn)過程的復(fù)雜化，越來越多的優(yōu)化問題維度更高，需要優(yōu)化的目標(biāo)數(shù)量更多。同時由于這些問題往往具有多峰，多極值，不連續(xù)等特點，用傳統(tǒng)的運籌學(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)化問題，越來越受到國內(nèi)外研究者的關(guān)注。本論文旨在通過對粒子群算法解決超高維及多目標(biāo)問題進行深入的探索和研究，設(shè)計高效的粒子群算法和策略

2、，并進行實驗分析。具體包括以下研究內(nèi)容:
　　為了平衡粒子群算法的收斂速度與種群多樣性，進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社會認知能力的分層粒子群算法(HPSO-RSC).在HPSO-RSC中，粒子的社會環(huán)境是動態(tài)改變的，它不僅受到最優(yōu)解和上層粒子的吸引，同時隨機地受到所有比自身好的粒子的影響。進化過程前期，粒子更偏向于選擇最優(yōu)解作為認知對象，而在進化過程后期，粒子偏向于選擇稍微比自身好的解進行社會認知。同時，

3、加入的波動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)同進化框架，使HPSO-RSC可以來解決高維優(yōu)化問題。在CEC2008測試集上，對HPSO-RSC算法做實驗;結(jié)果表明，HPSO-RSC對大部分標(biāo)準(zhǔn)復(fù)合測試函數(shù)都有很強的全局搜索最優(yōu)解的能力。
　　針對多目標(biāo)優(yōu)化問題中Pareto解集隨著進化過程越來越大，從種群中隨機選擇交叉對象的選擇策略交叉后產(chǎn)生更優(yōu)新個體的比例越來越小的問題，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)一個個體的目標(biāo)函數(shù)值優(yōu)劣情況來體現(xiàn)其變量基因段的優(yōu)劣;在優(yōu)化過程中，選擇在不同目標(biāo)函數(shù)上較優(yōu)的個體相應(yīng)的基因段做交叉，產(chǎn)生新個體。然后，為了更有效地利用個體鄰域的啟發(fā)作用，本文把個體鄰域里其他個體的進步方向也作為個體學(xué)習(xí)的因素。同時，本文提出了一種根據(jù)優(yōu)化過程中適應(yīng)度值的變化動態(tài)地選擇下一步要優(yōu)化的個體的動態(tài)調(diào)度機制，并實驗測試這