基于多粒子群协同的动态多目标优化算法及应用

在现实生活中大多数多目标优化问题都随时间变化,这就要求优化算法在时间约束内快速找到动态变化Pareto最优解或Pareto边界.基于此,提出一种基于多种群协同的动态多目标粒子群改进算法,旨在利用多种群竞争和协作两种模式互相配合,从而达到快速高效求解动态多目标优化问题的目的,多种群竞争模式主要任务是对解空间进行"勘探"搜索,当竞争失效后,自适应切换到协作模式对解空间进行"开采"搜索.通过对多种群协同搜索概率分析,证明多种群相比单种群具有更高的搜索效率,通过对3类动态多目标测试函数仿真,验证了改进算法的有效性;最后将该方法应用于动态系统PID控制器的参数整定上,得到了较优的控制参数,取得满意的控制效果.

基于Pareto解集关联与预测的动态多目标进化算法

针对动态多目标优化问题,提出一种基于Pareto解集关联与预测的动态多目标进化算法(LP-DMOEA),设计了基于超块的Pareto解集关联方法.该方法能够动态维护若干描述Pareto解变化规律的时间序列,通过对新环境下的Pareto解集进行预测来生成初始种群.将LP-DMOEA应用于非劣分类遗传算法(NSGA2),并对3类标准测试函数进行了实验,所得结果表明该方法能够有效求解动态优化问题.