|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
2 @' j4 w8 J- d0 ^( m4 O摘要:为了提高多目标粒子群算法优化解的多样性和收敛性,提出了一种基于多样性信息和收敛度的多目标粒子群优化算法(Multiobjective Particle SwARM Optimization based on the Diversity lnformation and Convergence Degree, dic-dMOPSO).首先,利用非支配解多样性信息评估知识库中最优解的分布状态,设计出一种全局最优解选择机制,平衡了种群的进化过程,提高了非支配解的多样性和收敛性;其次,基于种群多样性信息设计出一种飞行参数调整机制,增强了粒子的全局探索能力和局部开发能力,获得了多样性和收敛性较好的种群.最后,将diedMOPSO应用于标准测试函数测试,实验结果表明, dicdMOPSO与其他多目标算法相比不仅获得了多样性较高的可行解,而且能够较快的收敛到Pareto前沿.
& C9 Y9 m8 C9 q/ w6 t2 J- M& K& X2 U: ?6 e' T0 T
关键词:智能优化算法;多目标粒子群优化;种群多样性信息;非支配解多样性信息﹔收敛度2 b9 ~4 \8 Q! I; B- i) j
1 c( B# A' r% |4 F( {* H
在MOPSO算法中,如何提高算法所得非支配解的收敛性和多样性是算法需要解决的主要难题.合理的知识库更新策略能够保证MOPSO算法非支配解的多样性.Coello等提出利用自适应超网格策略更新知识库,增强了知识库中非支配解的多样性.优先权顺序法和集群操作法虽然保证了非支配解的多样性,但是没有考虑非支配解集的收敛性,并且耗费时间长,收敛速度较慢.
; P! ~ x7 M% P9 G8 g/ r. ^6 T. X2 H2 f8 d- E
) W) G- i- A4 O2 D' u
; F( J4 K$ g$ {9 F" g. ~
7 T# ~2 D, T/ y6 t1 `
. y& Y3 a; D/ B/ ]! K+ t% L |
|
/1 
发表于 2021-4-29 09:51
收藏
淘帖
支持！
反对！