基于粒子群算法的多目标函数优化问题研究

论文题目: 基于粒子群算法的多目标函数优化问题研究

论文类型: 硕士论文

论文专业: 计算机应用技术

作者: 刘麟

导师: 熊盛武

关键词: 遗传算法,粒子群算法,多目标优化,精英机制

文献来源: 武汉理工大学

发表年度: 2005

论文摘要: 现实世界的优化问题往往属于多目标优化问题，与单目标优化不同，多个相互竞争目标的优化结果是得到的是一组可行解，被称作Pareto最优解集。由于缺少喜好信息，Pareto最优解集中找不到一个解比另一个解更好。另外，这些优化问题大多有较高维的搜索空间，如使用精确的传统方法解决多目标优化问题会导致很高的时间复杂性。因此，设计高效的优化算法来解决多目标优化问题变得相当迫切而现实。 粒子群优化算法(PSO)是近几年发展起来的群聚智能算法。该算法基于这样的假设：群体中的各个粒子能够从其过去的经历和其它粒子的经历得到有效的信息。和演化算法相比，该算法需要设置较少的参数。实验发现，对于大多数优化问题，其有更快的收敛速度。但是，对于将粒子群优化算法运用于多目标函数优化领域却鲜有讨论。 本文对粒子群算法和遗传算法进行了比较，讨论了多目标演化算法的相关重要的策略，并介绍了PAES算法和SPEA2算法。在此基础上，利用PSO的消息传递机制，借助多目标演化算法的相关策略，设计了两种改进的多目标粒子群算法。两种算法都需一个相应的外部集归档，用于保留历代的Pareto非支配解。第一种算法(HMOPSO)利用PAES算法的动态栅格归档(adapt grid archiving)技术，在整个群体中运用PSO的消息传递，外部集归档中运用遗传算法的杂交，变异因子操作，从而获得更好的Pareto最优解；第二种算法采用PSO的消息传递机制，SPEA2算法的S距离归档技术和环境选择配对选择策略，使得整个群体在保持适当的选择压力的情况下收敛于Pareto最优解。 通过标准连续测试问题集的实验数据对比与分析，精英策略、共享策略、淘汰机制对多目标粒子群算法仍然适用，不同信息的来源能够明显加快算法的收敛速度。实验结果也表明，改进的MOPSO算法能够快速收敛到Pareto非劣最优目标域，而且有很好的扩展性。

论文目录:

中文摘要

ABSTRACT

第1章 绪论

1.1 问题的提出

1.2 国内外研究情况

1.3 本文研究内容

1.4 本文的组织

第2章 优化算法

2.1 基本概念和术语

2.2 优化算法

2.2.1 传统方法

2.2.2 现代启发式方法

2.3 遗传算法VS粒子群算法

2.3.1 遗传算法

1) 遗传算法的基本思想

2) 遗传算法基本步骤

2.3.2 粒子群算法

1) 粒子群算法的基本思想

2) 粒子群算法基本步骤

2.3.3 遗传算法与粒子群算法的比较

第3章 多目标优化

3.1 多目标优化

3.1.1 基本概念和术语

3.1.2 多目标优化算法分类

3.2 传统方法

3.2.1 加权方法

3.2.2 目标规划

3.2.3 经典方法的讨论

3.3 多目标演化算法

3.3.1 概述

适应值评价函数

精英策略(ElitiSt Strategy)

共享策略(Sharing Strategy)

分级策略(Ranking strategy)

3.3.2 PAES和SPEA2算法

PAES算法

SPEA2算法

第4章 改进的多目标粒子群优化算法

4.1 归档Pareto多目标粒子群算法框架

4.2 CMOPSO算法

4.3 混合的多目标粒子群算法(HMOPSO)

4.4 加强的多目标粒子群算法(SPPSO)

第5章 数值实验

5.1 测试函数

5.1.1 针对不同问题特性设计测试函数

5.1.2 参数设置

5.1.3 性能度量值

5.2 结果讨论

5.2.1 归档机制

5.2.2 群体的不良个体的淘汰

5.2.3 关键结果

第6章 总结与展望

参考文献

硕士在学期间发表的论文及专业书籍

致谢

发布时间: 2005-04-13

参考文献

• [1].多目标演化算法及在优化问题中的应用[D]. 李锋.武汉理工大学2004
• [2].基于Pareto边界的多目标调度研究[D]. 夏凌.上海交通大学2008
• [3].基于演化计算的多目标优化算法研究与应用[D]. 岳雪芝.江西理工大学2008
• [4].基于均匀设计的多智能体遗传算法的研究以及游戏中的应用[D]. 金韶华.天津职业技术师范大学2018
• [5].基于改进遗传算法的酒店预定系统研究[D]. 王晨阳.大连交通大学2015
• [6].基于遗传算法的太阳磁亮点识别和聚类算法的研究[D]. 张艾丽.昆明理工大学2018
• [7].基于多重主题数的主题模型研究[D]. 赵亮.哈尔滨工业大学2018
• [8].基于时间依赖的受欢迎路线推荐方法研究[D]. 李莹.东北大学2015
• [9].基于改进RNA遗传算法的聚类分析研究及应用[D]. 任丽艳.山东师范大学2018
• [10].基于遗传算法改进协同过滤相似度的推荐算法研究[D]. 杨行.吉林大学2018

相关论文

• [1].解决多目标优化问题的粒子群算法研究[D]. 宋武.湘潭大学2007
• [2].粒子群算法及其应用研究[D]. 方峻.电子科技大学2006
• [3].几类改进的粒子群算法[D]. 张建科.西安电子科技大学2006
• [4].基于遗传算法的多目标优化算法研究[D]. 王鲁.武汉理工大学2006
• [5].粒子群优化算法研究[D]. 李建勇.浙江大学2004
• [6].基于粒子群优化算法的研究[D]. 张利彪.吉林大学2004

标签：遗传算法论文;  粒子群算法论文;  多目标优化论文;  精英机制论文;