均衡分布性和收敛性的多目标粒子群优化方法

doi:10.11772/j.issn.1001-9081.2013.07.1926

计算机应用 ›› 2013, Vol. 33 ›› Issue (07): 1926-1929.DOI: 10.11772/j.issn.1001-9081.2013.07.1926

均衡分布性和收敛性的多目标粒子群优化方法

耿焕同¹,²,高军¹,²,贾婷婷¹,²,吴正雪¹,²

1. 南京信息工程大学计算机与软件学院，南京 210044
2. 南京信息工程大学江苏省网络监控中心，南京 210044

收稿日期:2013-01-14 修回日期:2013-02-20 出版日期:2013-07-01 发布日期:2013-07-06
通讯作者: 耿焕同
作者简介:耿焕同（1973-），男，安徽绩溪人，教授，博士生导师，CCF高级会员，主要研究方向：计算智能与约束多目标优化、气象资料预处理与资料同化；高军（1987-），男，江苏如东人，硕士研究生，主要研究方向：进化计算、GIS气象应用；贾婷婷（1989-），女，江苏宿迁人，硕士研究生，主要研究方向：进化计算；吴正雪（1990-），女，江苏常州人，硕士研究生，主要研究方向：进化计算。
基金资助:
“青蓝工程”资助项目（2012）;中国气象科学研究院灾害天气国家重点实验室2010年开放课题（2010LASW-A02）

Multi-objective particle swarm optimization method with balanced diversity and convergence

GENG Huantong¹,²,GAO Jun¹,²,JIA Tingting¹,²,WU Zhengxue¹,²

1. College of Computer and Software, Nanjing University of Information Science and Technology, Nanjing Jiangsu 210044, China
2. Jiangsu Engineering Center of Network Monitoring, Nanjing University of Information Science and Technology, Nanjing Jiangsu 210044, China

Received:2013-01-14 Revised:2013-02-20 Online:2013-07-06 Published:2013-07-01
Contact: GENG Huantong

摘要/Abstract

摘要： 粒子群优化（PSO）算法是一种基于群体演化且非常有效的求解多目标优化问题的方法，但因经典算法中粒子进化存在趋同性导致算法易陷入局部Pareto最优前沿，使得解集收敛性和分布性不理想。为此提出了一种均衡分布性和收敛性的多目标粒子群优化（DWMOPSO）算法，算法中每个粒子根据自身在进化过程中记忆的个体最好适应度值构建进化速度，由进化速度的快慢动态调整各粒子惯性权重,增加粒子的多样性，从而提高粒子跳出局部最优解的概率。通过在5个标准测试函数上进行仿真实验，结果表明，与Coello的多目标粒子群优化(MOPSO)算法相比，DWMOPSO算法获得的解集在与真实解集的逼近性和解集的分布性两个方面都有了很大的提高。

关键词: 粒子群优化算法, 多目标优化, 局部最优, 动态惯性权重

Abstract: Particle Swarm Optimization (PSO) algorithm is population-based and it is effective for multi-objective optimization problems. For the convergence of the swarm makes the classical algorithm easily converge to local pareto front, the convergence and diversity of the solution are not satisfactory. This paper proposed an independent dynamic inertia weights method for multi-objective particle swarm optimization (DWMOPSO). It changed each particle's inertia weight according to the evolution speed which was calculated by the value of each particle's best fitness in the history. It improved the probability to escape from the local optima. In comparison with Coello's MOPSO through five standard test functions, the solution of the new algorithm has great improvement both in the convergence to the true Pareto front and diversity.

Key words: Particle Swarm Optimization (PSO) algorithm, multi-objective optimization, local optima, dynamic inertia weight

中图分类号:

TP183

耿焕同高军贾婷婷吴正雪. 均衡分布性和收敛性的多目标粒子群优化方法[J]. 计算机应用, 2013, 33(07): 1926-1929.

GENG Huantong GAO Jun JIA Tingting WU Zhengxue. Multi-objective particle swarm optimization method with balanced diversity and convergence[J]. Journal of Computer Applications, 2013, 33(07): 1926-1929.

参考文献

［1］KENNEDY J, EBERHART R. Particle swarm optimization ［C］// Proceedings of IEEE International Conference on Neural Networks. Piscataway: IEEE Press, 1995: 1942-1948.

［2］SIERRA M R, COELLO C A C. Multi-objective particle swarm optimizers: a survey of the state-of-the-art ［J］. International Journal of Computational Intelligence Research, 2006, 2(3): 287-308.

［3］COELLO C A C, PULIDO G T, LECHUGA M S. Handling multiple objectives with particle swarm optimization ［J］. IEEE Transactions on Evolutionary Computation, 2004, 8(3): 256-279.

［4］SIERRA M R, COELLO C A C. Improving PSO-based multi-objective optimization using crowding, mutation and ε-dominance ［C］// Evolutionary Multi-Criterion Optimization. Berlin: Springer, 2005: 505-519.

［5］MOSTAGHIM S, TEICH J. Strategies for finding good local guides in Multi-Objective Particle Swarm Optimization (MOPSO) ［C］// Proceedings of IEEE International Conference on Swarm Intelligence Symposium. Piscataway: IEEE Press, 2003: 26-33.

［6］李纬，张兴华.一种改进的基于Pareto解的多目标粒子群算法［J］.计算机仿真,2010,27(5):96-99.

［7］TSAI S J, SUN T Y, LIU C C, et al. An improved multi-objective particle swarm optimizer for multi-objective problems ［J］. Expert Systems with Applications, 2010, 37(8): 5872-5886.
［8］EBERHART R C, SHI Y. Comparing interia weights and constriction factors in particle swarm optimization ［C］// Proceedings of IEEE Congress on Evolutionary Computation. Piscataway: IEEE Press, 2000: 84-88.

［9］迟玉红，孙富春，王维军，等.基于空间缩放和吸引子的粒子群优化算法［J］.计算机学报,2011,34(1):114-130.

［10］GENG H T, HUANGY H, GAO J, et al. A self-guided particle swarm optimization with independent dynamic inertia weights setting on each particle ［J］. Applied Mathematics and Information Sciences, 2013, 7(3): 545-552.

［11］ZHENG J H, LING C, SHI Z Z, et al. 〖HJ1.4mm〗A multi-objective genetic algorithm based on quick sort ［C］// Proceedings of the 17th Conference of the Canadian Society for Computational Studies of Intelligence. Berlin: Springer, 2004: 175-186.

［12］郑金华.多目标进化算法及其应用［M］.北京：科学出版社. 2007:157-199.

［13］ZITZLER E, DEB K, THIELE L. Comparison of multiobjective evolutionary algorithms: empirical results ［J］. Evolutionary Computation, 2000, 8(2): 173-195.

［14］CASTRO O R, BRITTO A, POZO A. A comparison of methods for leader selection in many-objective problems ［C］// Proceedings of 2012 IEEE Congress on Evolutionary Computation. Piscataway: IEEE Press, 2012: 1-8.

[1]	罗明宇, 骆晓萌, 朱文敏, 张磊, 范秀敏. 船舶狭小空间虚拟人维修姿态建模技术[J]. 计算机应用, 2021, 41(8): 2466-2472.
[2]	张闻强, 邢征, 杨卫东. 基于多区域采样策略的混合粒子群优化求解多目标柔性作业车间调度问题[J]. 计算机应用, 2021, 41(8): 2249-2257.
[3]	张盟, 郭健全. 需求和回收不确定的闭环供应链渠道结构选择[J]. 计算机应用, 2021, 41(7): 2100-2107.
[4]	张祥飞, 鲁宇明, 张平生. 基于协同进化的约束多目标优化算法[J]. 计算机应用, 2021, 41(7): 2012-2018.
[5]	王泽昆, 贺毅朝, 李焕哲, 张发展. 基于新颖S型转换函数的二进制粒子群优化算法求解具有单连续变量的背包问题[J]. 计算机应用, 2021, 41(2): 461-469.
[6]	王贵林, 李斌. 受春秋战国史实启发的帝国竞争改进算法[J]. 计算机应用, 2021, 41(2): 470-478.
[7]	樊小毛, 熊红林, 赵淦森. 带约束的清洁排班问题模型及其求解[J]. 计算机应用, 2021, 41(2): 577-582.
[8]	乔钢柱, 王瑞, 孙超利. 基于分解的高维多目标改进进化算法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3097-3103.
[9]	李二超, 李康伟. 基于最小距离和聚合策略的分解多目标进化算法[J]. 计算机应用, 2021, 41(1): 22-28.
[10]	李二超, 杨蓉蓉. 基于自适应反向学习的多目标分布估计算法[J]. 计算机应用, 2021, 41(1): 15-21.
[11]	王博, 刘连生, 韩绍程, 祝世兴. 基于多策略融合的混合多目标蝗虫优化算法[J]. 计算机应用, 2020, 40(9): 2670-2676.
[12]	罗斌, 于波. 移动边缘计算中基于粒子群优化的计算卸载策略[J]. 计算机应用, 2020, 40(8): 2293-2298.
[13]	曾明华, 全轲. 双层规划的改进混合布谷鸟搜索量子行为粒子群优化算法[J]. 计算机应用, 2020, 40(7): 1908-1912.
[14]	周文峰, 梁晓磊, 唐可心, 李章洪, 符修文. 具有拓扑时变和搜索扰动的混合粒子群优化算法[J]. 计算机应用, 2020, 40(7): 1913-1918.
[15]	施晓倩, 陈祺东, 孙俊, 冒钟杰. 变分布的量子行为粒子群优化算法求解工程约束优化问题[J]. 计算机应用, 2020, 40(5): 1382-1388.

均衡分布性和收敛性的多目标粒子群优化方法

Multi-objective particle swarm optimization method with balanced diversity and convergence

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics