基于改进粒子群算法的多目标优化研究

发布时间：2023-04-23 03:09

　　多目标最优化问题是工程实践与科学研究中的主要问题形式之一,其主要特点为各个目标之间可能是相互制约的,所以其结果往往是得到一组互不支配的解,一个解对于某个目标来说是较好的,但对于其他目标来说则是较差的。所有这些互不支配的解所构成的集合就叫做Pareto最优解集。传统的求解多目标优化的方法虽然简单高效,但也存在很多缺陷,尤其是处理复杂的多目标优化问题和高维多目标优化问题(目标个数大于三个的问题)。因此,如何设计高效的优化算法成为学者们的研究课题之一。粒子群优化(Particle Swarm Optimization,PSO)算法是近年来发展起来的一种新型进化算法,因其原理清晰,结构简单,易于实现,自提出以来受到广泛的关注。目前已被广泛用于目标优化、神经网络、模式识别等领域。本文针对粒子群算法在多目标优化中的应用进行了研究,主要研究工作和成果有:本文首先介绍了研究背景及意义,多目标优化问题数学模型与相关概念,多目标优化算法的研究现状;然后详细的介绍了粒子群算法原理及数学模型,基本粒子群算法实现流程和多目标粒子群算法研究现状;接着在处理低维多目标优化问题上提出了基于多策略的多目标粒子群算法(M...

【文章页数】：81 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 多目标优化问题的数学模型及相关概念
    1.3 多目标优化算法的研究现状
    1.4 论文主要研究工作及内容安排
第2章 粒子群优化算法
    2.1 引言
    2.2 算法原理及数学模型
        2.2.1 原始的粒子群模型
        2.2.2 改进的粒子群模型
    2.3 算法流程
    2.4 多目标粒子群算法发展研究现状
    2.5 本章小结
第3章 基于多策略的多目标粒子群算法
    3.1 引言
    3.2 基于多策略的改进方法
        3.2.1 基于Pareto支配关系的局部最优粒子选取
        3.2.2 基于两策略的速度更新方式
        3.2.3 混合斯变异策略
        3.2.4 基于指标的外部档案更新和全局最优粒子选取策略
    3.3 M-MOPSO算法的主要流程
    3.4 实验分析
        3.4.1 测试问题及参数设定
        3.4.2 算法性能的评价指标
        3.4.3 对测试问题的实验比较
    3.5 本章小结
第4章 基于ε⁺指标和方向向量的多目标粒子群算法
    4.1 引言
    4.2 基于ε⁺指标和方向向量的方法分析
        4.2.1 二元ε⁺指标的定义及分析
        4.2.2 方向向量的定义及分析
    4.3 IDMOPSO算法的主要流程
    4.4 IDMOPSO算法的关键算子
        4.4.1 粒子跳出搜索空间的处理
        4.4.2 个体极值的选取
        4.4.3 全局极值的选取
        4.4.4 外部文档更新和维护
    4.5 实验设计
        4.5.1 测试问题
        4.5.2 所有比较算法参数的设定
        4.5.3 算法性能的评价方式
        4.5.4 求解DTLZ及DTLZ^-1系列问题的结果分析与比较
        4.5.5 求解WFG及WFG^-1系列问题的结果分析与比较
    4.6 对IDMOPSO关键算子的讨论
        4.6.1 个体极值的选取策略讨论及实验分析
        4.6.2 全局极值的选取策略讨论及实验分析
        4.6.3 个外部文档更新和维护策略讨论及实验分析
    4.7 本章小结
第5章 总结与展望
    5.1 全文工作总结
    5.2 未来工作展望
参考文献
致谢
攻读硕士学位期间的研究成果



本文编号：3798959