基于博弈机制和混合策略的多目标粒子群算法优化研究

发布时间：2023-08-09 15:43

　　在现实生活中许多优化问题都有多个目标,必须同时进行优化,传统的技术已经不能解决多目标优化的问题,元启发算法为解决多目标问题提供了新的思路,而粒子群算法是元启发算法的代表性算法,粒子群算法思想源自自然界鸟类捕食的行为。虽然已经有很多多目标粒子群算法,但是由于粒子群特殊的引导者机制和早熟的问题,使得多目标粒子群算法在寻优过程中存在收敛困难和多样性偏差的问题。针对以上问题,本文在深入研究多目标粒子群算法的基础上对其提出改进方法,主要工作如下:(1)为了改善多目标粒子群算法存在优化解的多样性不足和算法的收敛性问题,提出了一种博弈机制的多目标粒子群算法,该算法并不需要外部集来存储全局最优值和个体最优值。首先利用混沌映射的特性改善算法的收敛速度,避免算法陷入局部最优,其次拥挤距离和博弈机制保持了算法的多样性。实验结果表明,与六种算法在三个系列测试函数上进行对比,提出的算法在种群多样性的维持和收敛速度方面都具有良好的性能。(2)为了平衡搜索过程中的收敛性和多样性,提出了一种新的混合策略的多目标粒子群算法,该方法提出了一种简化的面向引导者的粒子群算法,加快了粒子的收敛速度;其次,充分利用粒子群算法的学...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文的研究内容和论文结构
        1.3.1 本文研究内容
        1.3.2 论文结构
第二章 基本理论
    2.1 多目标优化概念
        2.1.1 Pareto概念
        2.1.2 多目标进化算法概念
    2.2 群智能概念
        2.3.1 鸟群行为的建模
        2.3.2 粒子群优化算法
    2.3 多目标粒子群优化算法
        2.3.1 外部储备集
        2.3.2 全局最优粒子选择机制
        2.3.3 个体最优选择机制
        2.3.4 遗传算子
        2.3.5 多种群
第三章 基于博弈机制的多目标粒子群优化算法
    3.1 引言
    3.2 算法基本理论
        3.2.1 粒子群算法
        3.2.2 博弈
    3.3 博弈机制算法
        3.3.1 混沌映射
        3.3.2 多尺度混沌变异策略
        3.3.3 GMOPSO框架
        3.3.4 新博弈更新机制
    3.4 实验仿真与分析
        3.4.1 实验环境
        3.4.2 IGD对比分析
        3.4.3 Pareto前沿比较
    3.5 本章小结
第四章 混合策略的多目标粒子群优化算法
    4.1 引言
    4.2 算法基本理论
        4.2.1 优化内容
        4.2.2 引导者选择策略
        4.2.3 参考向量
    4.3 混合策略
        4.3.1 简化的速度更新策略
        4.3.2 储备集策略
        4.3.3 成熟度量化
        4.3.4 双重决策
        4.3.5 多样性增强
        4.3.6 算法主框架
    4.4 实验仿真与分析
        4.4.1 实验环境
        4.4.2 IGD值对比分析
        4.4.3 Pareto前沿分析
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读学位期间的研究成果



本文编号：3840517