一种基于最大最小策略和非均匀变异的萤火虫算法

针对多目标萤火虫算法勘探能力弱、求解精度差的问题,本文提出了一种基于最大最小策略和非均匀变异的萤火虫算法(HVFA-M)。该算法首先引入Maximin策略,实现对外部档案的动态调整和对精英解的随机选择;其次,精英解结合当前最好解共同引导萤火虫进行全局搜索以扩大算法的搜索范围,提高算法的勘探能力,从而增加找寻全局最优解的概率;最后,在算法全面勘探的基础上,添加非均匀变异算子使得算法融合局部搜索的思想引导种群进行局部开采,进一步增强算法的寻优能力。将HVFA-M与经典及新近多目标进化算法进行比较,实验结果表明:HVFA-M能有效提升算法的勘探能力,在解的收敛性和多样性也表现出良好的性能。

基于Maximin的动态种群多目标粒子群算法

针对粒子群优化算法在处理多目标函数优化问题的过程中,往往会出现局部收敛现象,在MOPSO算法基础上提出了一种新的多目标粒子群优化算法.该算法在运行过程中采用动态调整粒子群种群数目的方式使粒子摆脱局部最优解对其的吸引;同时为了克服粒子种群多样性降低带来的影响,将粒子的相对适应度方差引入到Maximin计算公式中.然后基于Pareto最优的概念,利用方差Maximin策略来评价最优解,并保存在可变的外部精英集中,以保证结果的分布性良好.最后,该方法在仿真中取得了良好效果,可以更广泛地应用到复杂工业多目标优化领域中.