基于聚类和高斯变异的多目标粒子群算法

为了解决工程中遇到的多目标优化问题,提出一种改进的多目标粒子群算法。首先,加入动态非线性余弦变化惯性参数,提升了算法的寻优能力;然后,提出一种改进的Pareto支配关系更新粒子的个体最优解,并根据拥挤距离对外部存档进行维护,提高了解集分布的均匀性;最后,将K-means聚类算法和高斯变异算法融合到多目标粒子群算法的迭代过程中,避免算法陷入局部最优解。在5个测试函数上进行仿真实验,结果表明,在保持解的均匀性和多样性的同时,改进算法使得Pareto解集具有更好的收敛性。