精英竞争和综合控制的多目标粒子群算法

目的多目标粒子群算法虽然极易实现且收敛速度快,但在平衡其收敛性和多样性方面仍需进一步改善。方法针对上述问题,提出一种精英竞争和综合控制的多目标粒子群算法(ECMOPSO)。一方面,算法采用全局损害选择精英粒子集,然后将两两竞争引入多目标粒子群算法中,通过精英竞争选取优胜者粒子,将其与全局领导者融合形成更全面的社会综合信息,以增强种群中粒子之间信息的交互性,更好引导种群中的粒子飞行,提升算法全局探索能力;另一方面,结合全局损害和基于位移密度估计对外部存档进行维护,从而提高外部存档中非劣解的质量,平衡算法的收敛性和多样性。结果将ECMOPSO算法与4个多目标粒子群算法和4个多目标进化算法在ZDT和UF系列基准测试问题上进行仿真实验,并采用Wilcoxon秩和检验和Friedman秩检验比较ECMOPSO算法与所选对比算法的整体性能。实验结果表明:相比其他几个对比算法,ECMOPSO算法的收敛能力、解的分布性以及稳定性都得到了一定的提升。结论ECMOPSO算法可以很好地平衡收敛性和多样性,提升其整体性能,能有效求解大多数多目标优化问题。

嵌入Circle映射的混合策略多目标粒子群算法

多目标粒子群算法具有收敛速度快、原理简单和易于实现等优点,被广泛应用于解决多目标优化问题。然而,它存在容易过早收敛、陷入局部最优等缺点。针对上述问题,提出了一种嵌入Circle映射的混合策略多目标粒子群算法(CMEMOPSO)。当粒子当前位置与其个体历史最优位置互不支配时,在一定概率下,利用Circle映射调整粒子位置,使其找到更优的解。同时,若外部存档达到预定阈值,则使用结合个体密度和拐点距离的混合评价指标评估非劣解的综合性能,去除较差的非劣解以实现对外部存档的更新,提高算法的综合性能。最后,利用所提出的算法在12个典型测试函数上进行实验。实验结果表明CMEMOPSO具有良好的收敛性和更快的收敛速度,它在大多数测试函数上优于其他比较算法。

协同控制多目标粒子群算法研究

针对现有的多目标粒子群算法易陷入局部最优、难以平衡收敛性和多样性等方面的问题,提出一种协同控制多目标粒子群算法(CCMOPSO)。首先,算法脱离Pareto支配关系采用成就标量函数更新pbest。其次,提出了一种平均角度和最低距离相结合的协同策略,以删除外部存档中性能不好的非劣解。从而对存档进行维护,平衡收敛性和多样性,有利于非支配解逼近Pareto前沿。最后,将CCMOPSO算法与几个多目标优化算法在15个测试问题上进行仿真实验。实验结果分析表明CCMOPSO算法的有效性可以很好地平衡收敛性和多样性,避免陷入局部最优。从而说明CCMOPSO算法在处理多目标优化问题表现出较强的竞争力。

一种具有遗忘能力的混合型改进量子粒子群算法

受自然遗忘现象的启发,作者提出了一种具有遗忘能力的混合型改进量子粒子群优化算法(HIQPSOF)。在粒子搜索过程中,每个粒子不仅具有遗忘能力,而且还利用HS算法的记忆特征让粒子的遗忘与记忆达到一种动态平衡。最终作者将所提算法与其他几种算法同CEC2013测试套件中的28个基准函数进行性能比较,仿真实验结果证明HIQPSOF在不同类型的函数优化上有较好的性能,也是一种求解精度高,收敛速度快的改进算法。