基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法

doi:10.11772/j.issn.1001-9081.2014.04.1074

计算机应用 ›› 2014, Vol. 34 ›› Issue (4): 1074-1079.DOI: 10.11772/j.issn.1001-9081.2014.04.1074

基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法

黄敏¹,江渝¹,毛安²,姜琪¹

1. 输配电装备及系统安全与新技术国家重点实验室(重庆大学)，重庆 400044；
2. 重庆大学材料科学与工程学院，重庆 400044

收稿日期:2013-09-17 修回日期:2013-11-15 发布日期:2014-04-29 出版日期:2014-04-01
通讯作者: 黄敏
作者简介:黄敏(1990-),女,江西吉安人,硕士研究生，主要研究方向:智能优化算法、微电网运行优化；
江渝(1964-),男,重庆人,副教授，博士，主要研究方向:电力电子、电力系统；
毛安(1989-),男,江西吉安人,硕士研究生，主要研究方向:智能算法；
姜琪(1989-),男,江苏常州人,硕士研究生，主要研究方向:电力电子、电力系统。
基金资助:
国家自然科学基金资助项目

Multi-objective particle swarm optimization algorithm based on global best position adaptive selection and local search

HUANG Min¹,JIANG Yu¹,MAO An²,JIANG Qi¹

1. State Key Laboratory of Power Transmission Equipment and System Security and New Technology (Chongqing University), Chongqing 400044, China
2. College of Materials Science and Engineering, Chongqing University, Chongqing 400044, China

Received:2013-09-17 Revised:2013-11-15 Online:2014-04-29 Published:2014-04-01
Contact: HUANG Min

摘要/Abstract

摘要：

针对多目标粒子群优化算法全局最优位置〖BP(〗(gbest)〖BP)〗选取存在的缺陷和局部搜索能力弱的缺点，提出一种基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法MOPSO-GL。首先对Sigma法进行改进，引入拥挤距离机制，不再是粒子从档案中选择全局最优位置，而是档案成员从种群中选择合适的被引导粒子，引导种群均匀快速地向Pareto前沿飞行，提高了Pareto解的收敛性和多样性；其次当种群寻优能力减弱时，引入基于Skew Tent映射的变尺度全面搜索混沌优化策略对外部档案进行局部搜索，以提高算法的收敛性；最后通过与其他多目标优化算法的比较，结果表明MOPSO-GL具有更好的收敛性和分布性。

Abstract:

To deal with the problems of the strategies for selecting the global best position and the low local search ability, a multi-objective particle swarm optimization algorithm based on global best position adaptive selection and local search named MOPSO-GL was proposed. During the guiding particles selection in MOPSO-GL, the Sigma method and crowding distance of the particle in the archive were used and the archive member chose the guided particles in the swarm to improve the solution diversity and the swarm uniformity. Therefore, the population might get close to the true Pareto optimal solutions uniformly and quickly. Furthermore, the improved chaotic optimization strategy based on Skew Tent map was adopted, to improve the local search ability and the convergence of MOPSO-GL when the search ability of MOPSO-GL got weak. The simulation results show that MOPSO-GL has better convergence and distribution.

中图分类号:

TP18
TP301.6

黄敏江渝毛安姜琪. 基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法[J]. 计算机应用, 2014, 34(4): 1074-1079.

HUANG Min JIANG Yu MAO An JIANG Qi. Multi-objective particle swarm optimization algorithm based on global best position adaptive selection and local search[J]. Journal of Computer Applications, 2014, 34(4): 1074-1079.

参考文献

［1］KENNEDY J, EBERHART R. Particle swarm optimization ［C］// Proceedings of the 4th IEEE International Conference on Neural Networks. Piscataway: IEEE, 1995: 1942-1948.
［2］GARNIER S, GAUTRAIS J, THERAULAZ G. The biological principles of swarm intelligence ［J］. Swarm Intelligence, 2007, 1(1): 3-31.
［3］KITAYAMA S, YAMAZAKI K, ARAKAWA M. Adaptive rangeparticle swarm optimization ［J］. Optimization and Engineering, 2009, 10(4): 575-597.
［4］EBERHART R, SHI Y. Particle swarm optimization: developments, applications and resources ［C］// CEC 2001: Proceedings of the 2001 IEEE Congress on Evolutionary Computation. Piscataway: IEEE, 2001: 81-86.
［5］PARSOPOULOS K, VRAHATIS M. Recent approaches to global optimization problems through particle swarm optimization ［J］. Natural Computing, 2002, 1(2/3): 235-306.

［6］XIE X, ZHANG W, YANG Z. Overview of particle swarm optimization ［J］. Control and Decision, 2003, 18(2): 129-134. (谢晓锋,张文俊,杨之廉.微粒群算法综述［J］.控制与决策,2003,18(2):129-134.)
［7］WANG W, TANG Y, The state of art in particle swarm optimization algorithms ［J］. Journal of Zhejiang University of Technology, 2007, 35(2): 136-141. (王万良,唐宇.微粒群算法的研究现状与展望［J］.浙江工业大学学报,2007,35(2):136-141.)
［8］POLI R, KENNEDY J, BLACKWELL T. Particle swarm optimization: an overview ［J］. Swarm Intelligence, 2007, 1(1): 33-57.
［9］WANG D, WANG J, WANG H. Intelligent optimization methods ［M］. Beijing: Higher Education Press, 2007: 217-258.(汪定伟,王俊伟,王洪峰.智能优化方法［M］.北京:高等教育出版社,2007:217-258.)
［10］WU Q. Cauchy mutation for decision-making variable of Gaussian particle swarm optimization applied to parameters selection of SVM ［J］. Expert Systems with Applications, 2011, 38(5): 4929-4934.
［11］LI X, YAO X. Cooperatively coevolving particle swarms for large scale optimization ［J］. IEEE Transactions on Evolutionary Computation, 2012, 16(2):210-224.
［12］XU Z, ZHANG J, ZHENG Y. Bionics in computational intelligence: theory and method ［M］. Beijing: Science Press, 2005. (徐总本,张讲社,郑亚林.计算智能中的仿生学:理论与方法［M］.北京:科学出版社,2005.)
［13］ABDELBAR A, ABDELSHAHID S, WUNSCH D. Gaussian versus Cauchy membership functions in fuzzy PSO ［C］// Proceedings of the 2007 International Joint Conference on Neural Networks. Piscataway: IEEE, 2007: 2902-2907.
［14］MARIANI V, NECKEL V, GREBOGI R, et al.Cauchy particle swarm optimization with dynamic adaptation applied to inverse heat transfer problem ［C］// SMC 2010: Proceedings of the 2010 IEEE International Conference on Systems Man and Cybernetics. Piscataway: IEEE, 2010: 3730-3734.
［15］WANG H, WANG W, WU Z. Particle swarm optimization with adaptive mutation for multimodal optimization ［J］. Applied Mathematics and Computation, 2013, 221(3): 296-305.
［16］HU M, WU T, WEIR J. An adaptive particle swarm optimization with multiple adaptive methods ［J］. IEEE Transactions on Evolutionary Computation, 2013, 17(5): 705-720.

[1]	吕乐张博瀚荆军昌刘栋. 基于持久性的多目标节点隐藏方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[2]	宫智宇王士同. 面向重尾噪声图像分类的残差网络学习方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[3]	王虎王晓峰李可马云洁. 融合多头自注意力的标签语义嵌入联邦类增量学习方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[4]	丁建立, 黄辉, 曹卫东. 航班链运行状态动态监控方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3941-3948.
[5]	刘晶鑫, 黄雯静, 徐亮胜, 黄冲, 吴建生. 字典学习与样本关联保持结合的无监督特征选择模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3766-3775.
[6]	宋逸飞, 柳毅. 基于数据增强和标签噪声的快速对抗训练方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3798-3807.
[7]	沈嫣然, 温昕, 张瑾昊, 张帅, 曹锐, 高保禄. 轻量级多尺度卷积网络的功能磁共振成像脑龄预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3949-3957.
[8]	张祖篡, 陈学斌, 高瑞, 邹元怀. 基于标签分类的联邦学习客户端选择方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3759-3765.
[9]	蒋权黄文清苟志勇. 基于等变图神经网络的拉格朗日粒子流模拟[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[10]	李岚皓严皓钧周号益孙庆赟李建欣. 基于神经网络的多尺度信息融合时间序列长期预测模型[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[11]	廖炎华鄢元霞潘文林. 基于YOLOv9的交通路口图像的多目标检测算法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[12]	张学飞张丽萍闫盛侯敏赵宇博. 知识图谱与大语言模型协同的个性化学习推荐[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[13]	索晋贤张丽萍闫盛王东奇张雅雯. 可解释的深度知识追踪方法综述[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[14]	陈丹阳张长伦. 多尺度去相关的图卷积网络[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[15]	蒋沛宇王永光任亚亭李硕晨谭火彬. 基于测量不确定度表示指南的目标检测不确定度测量方案[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.

基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法

Multi-objective particle swarm optimization algorithm based on global best position adaptive selection and local search

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