超多目标规划问题的粒子群算法及应用研究
发布时间：2021-11-24 19:13
超多目标规划问题是指含有不小于4个目标函数的优化问题,由于其目标个数的增多,传统的基于Pareto优势的进化算法在处理超多目标规划问题时,面临着支配阻抗、计算复杂和可视化等多方面的挑战。目前处理超多目标规划问题的方法可以总结为四类:基于弱Pareto优势关系的方法、基于分解的方法、基于指标的方法和基于参考点的方法。它们主要在算法的适应度分配和多样性保护方面作出了改进,而在算法的收敛性方面,它们还存在不足。针对超多目标进化算法的支配阻抗现象,本文使用了基于参考点的方法,来保护多样性,并使用了聚合函数来提高收敛性。本文的主要工作如下:（1）针对多目标规划粒子群算法易陷入早熟的问题,本文提出了基于健康度的多目标粒子群算法（HMOPSO）。HMOPSO算法在每次迭代过程中分别记录了粒子出现运动振荡和寻优停滞的次数;然后利用它们来更新种群粒子的健康值,当粒子的健康值低于最低限制时,判定该粒子为不健康粒子;接着,使用特殊的引导因子,对不健康粒子执行变异,从而避免不健康粒子的无效搜索,并降低健康粒子受到的干扰,有助于收敛性的提高;最后,使用了基于拥挤排序的动态维护,每计算一次个体的拥挤距离,就淘汰一...
【文章来源】：长江大学湖北省
【文章页数】：48 页
【学位级别】：硕士
【部分图文】：
图2-2粒子更新示意图
9(c)Rosenbrock(d)Rastrigin图2-4惯性权重对比试验Figure2-4Comparisonofinertiaweight由实验结果可以看出，的取值对于Griewank函数的结果影响较为明显，线性递减的情况下收敛到最优值较快。2.2.2学习因子对算法性能的影响学习因子和又称加速系数，的取值反映了粒子向自身经验学习的程度，若=0，粒子丧失自我认知能力，算法收敛速度快；的取值反映了粒子向社会（群体）学习的程度，若=0，则粒子不进行信息交流与共享，独立飞行，难以找到全局最优解。适当地调整和的值，有助于改善算法性能。这里主要测试=0、=2，=2、=0、=2、=2三种条件下算法性能的变化，实验结果如图2-5。(a)Sphere(b)Griewank
10(c)Rosenbrock(d)Rastrigin图2-5学习因子对比试验Figure2-5Comparisonoflearningfactors由图2-5可以看出，=0时，算法很难收敛到最优值，在Rosenbrock测试问题上，=0时，出现早熟收敛现象。2.3粒子群优化算法的应用粒子群算法概念简单、易理解、易实现，目前已被广泛应用于各个领域中，主要包括：(1)函数与优化粒子群算法最早被直接应用于函数优化问题中，例如多目标优化、组合优化等。2002年，Coello[31]等学者提出将PSO算法应用于求解MOP中，并基于Pareto支配首次提出了MOPSO算法；CMOPSO[32]改变了使用外部存档来保护非支配解的思想，而是在每次迭代过程中，利用种群内部两两竞争来更新粒子；CDMOPSO[33]使用拥挤距离提高了算法的搜索能力，并使用突变算子平衡多样性和收敛性；Jing等人[34]提出了一种求解广义TSP的自适应离散粒子群方法，用广义顶点表示问题，从而使广义TSP和TSP可以统一处理，使用PSO来解决组合优化问题；沈显君等人[35]针对0-1背包问题提出了一种特殊的PSO算法。吴斌等人[36]通过一种实数编解码方法，结合差分进化和粒子群算法来解决车辆路径问题。(2)神经网络训练将PSO应用于神经网络训练是将PSO的每个粒子的维数对应于神经网络的系统参数，PSO的全局最优解即为该网络的最优参数。目前，PSO对神经网络的应用主要包括优化权重参数、优化网络结构和优化传递函数[37-39]。相比于传统的神经网络训练算法BP，PSO的优势在于不需要使用梯度信息，传递函数不再仅仅局限于可微函数，使得该网络的适用范围更广。(3)数据挖掘
【参考文献】：
期刊论文
[1]基于粒子健康度的快速收敛粒子群优化算法[J]. 靳其兵,赵振兴,苏晓静,曹丽婷. 化工学报. 2011(08)
[2]双倍体差分进化粒子群算法在VRPSDP中的应用研究[J]. 吴斌,蔡红,樊树海,蒋南云. 系统工程理论与实践. 2010(03)
[3]基于雷达图表示的多维数据可视化分类方法[J]. 刘文远,李芳,王宝文,洪文学. 系统工程理论与实践. 2010(01)
[4]基于拥挤距离的多目标粒子群算法[J]. 杨善学. 计算机工程与应用. 2009(22)
[5]基于PSO的关联规则挖掘方法及应用[J]. 王晓敏,刘希玉,戴芬. 信息技术与信息化. 2009(03)
[6]基于粒子群优化的数据分类算法[J]. 王旸,刘晓东,徐小慧,胡军. 系统仿真学报. 2008(22)
[7]基于自适应网格的多目标粒子群优化算法[J]. 杨俊杰,周建中,方仍存,李英海,刘力. 系统仿真学报. 2008(21)
[8]基于PSO的加权关联规则挖掘算法[J]. 李呈林,陈水利. 集美大学学报(自然科学版). 2007(01)
[9]基于改进的微粒群优化算法的0-1背包问题求解[J]. 沈显君,王伟武,郑波尽,李元香. 计算机工程. 2006(18)
[10]基于粒子群优化的神经网络训练算法研究[J]. 高海兵,高亮,周驰,喻道远. 电子学报. 2004(09)
博士论文
[1]粒子群优化算法研究及其在海底地形辅助导航中的应用[D]. 谭佳琳.哈尔滨工程大学 2010
本文编号：3516595
【文章来源】：长江大学湖北省
【文章页数】：48 页
【学位级别】：硕士
【部分图文】：
图2-2粒子更新示意图
9(c)Rosenbrock(d)Rastrigin图2-4惯性权重对比试验Figure2-4Comparisonofinertiaweight由实验结果可以看出，的取值对于Griewank函数的结果影响较为明显，线性递减的情况下收敛到最优值较快。2.2.2学习因子对算法性能的影响学习因子和又称加速系数，的取值反映了粒子向自身经验学习的程度，若=0，粒子丧失自我认知能力，算法收敛速度快；的取值反映了粒子向社会（群体）学习的程度，若=0，则粒子不进行信息交流与共享，独立飞行，难以找到全局最优解。适当地调整和的值，有助于改善算法性能。这里主要测试=0、=2，=2、=0、=2、=2三种条件下算法性能的变化，实验结果如图2-5。(a)Sphere(b)Griewank
10(c)Rosenbrock(d)Rastrigin图2-5学习因子对比试验Figure2-5Comparisonoflearningfactors由图2-5可以看出，=0时，算法很难收敛到最优值，在Rosenbrock测试问题上，=0时，出现早熟收敛现象。2.3粒子群优化算法的应用粒子群算法概念简单、易理解、易实现，目前已被广泛应用于各个领域中，主要包括：(1)函数与优化粒子群算法最早被直接应用于函数优化问题中，例如多目标优化、组合优化等。2002年，Coello[31]等学者提出将PSO算法应用于求解MOP中，并基于Pareto支配首次提出了MOPSO算法；CMOPSO[32]改变了使用外部存档来保护非支配解的思想，而是在每次迭代过程中，利用种群内部两两竞争来更新粒子；CDMOPSO[33]使用拥挤距离提高了算法的搜索能力，并使用突变算子平衡多样性和收敛性；Jing等人[34]提出了一种求解广义TSP的自适应离散粒子群方法，用广义顶点表示问题，从而使广义TSP和TSP可以统一处理，使用PSO来解决组合优化问题；沈显君等人[35]针对0-1背包问题提出了一种特殊的PSO算法。吴斌等人[36]通过一种实数编解码方法，结合差分进化和粒子群算法来解决车辆路径问题。(2)神经网络训练将PSO应用于神经网络训练是将PSO的每个粒子的维数对应于神经网络的系统参数，PSO的全局最优解即为该网络的最优参数。目前，PSO对神经网络的应用主要包括优化权重参数、优化网络结构和优化传递函数[37-39]。相比于传统的神经网络训练算法BP，PSO的优势在于不需要使用梯度信息，传递函数不再仅仅局限于可微函数，使得该网络的适用范围更广。(3)数据挖掘
【参考文献】：
期刊论文
[1]基于粒子健康度的快速收敛粒子群优化算法[J]. 靳其兵,赵振兴,苏晓静,曹丽婷. 化工学报. 2011(08)
[2]双倍体差分进化粒子群算法在VRPSDP中的应用研究[J]. 吴斌,蔡红,樊树海,蒋南云. 系统工程理论与实践. 2010(03)
[3]基于雷达图表示的多维数据可视化分类方法[J]. 刘文远,李芳,王宝文,洪文学. 系统工程理论与实践. 2010(01)
[4]基于拥挤距离的多目标粒子群算法[J]. 杨善学. 计算机工程与应用. 2009(22)
[5]基于PSO的关联规则挖掘方法及应用[J]. 王晓敏,刘希玉,戴芬. 信息技术与信息化. 2009(03)
[6]基于粒子群优化的数据分类算法[J]. 王旸,刘晓东,徐小慧,胡军. 系统仿真学报. 2008(22)
[7]基于自适应网格的多目标粒子群优化算法[J]. 杨俊杰,周建中,方仍存,李英海,刘力. 系统仿真学报. 2008(21)
[8]基于PSO的加权关联规则挖掘算法[J]. 李呈林,陈水利. 集美大学学报(自然科学版). 2007(01)
[9]基于改进的微粒群优化算法的0-1背包问题求解[J]. 沈显君,王伟武,郑波尽,李元香. 计算机工程. 2006(18)
[10]基于粒子群优化的神经网络训练算法研究[J]. 高海兵,高亮,周驰,喻道远. 电子学报. 2004(09)
博士论文
[1]粒子群优化算法研究及其在海底地形辅助导航中的应用[D]. 谭佳琳.哈尔滨工程大学 2010
本文编号：3516595
本文链接：https://www.wllwen.com/kejilunwen/yysx/3516595.html
