一种用于多目标优化的混合粒子群优化算法

doi:10.3778/j.issn.1002-8331.2008.33.005

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (33): 18-21.DOI: 10.3778/j.issn.1002-8331.2008.33.005

一种用于多目标优化的混合粒子群优化算法

徐刚¹,瞿金平²

1.南昌大学数学系，南昌 330031
2.华南理工大学聚合物新型成型装备国家工程研究中心，广州 510640

收稿日期:2008-08-06 修回日期:2008-09-02 出版日期:2008-11-21 发布日期:2008-11-21
通讯作者: 徐刚

Hybrid particle swarm optimization algorithm for multi-objective optimization

XU Gang¹,QU Jin-ping²

1.Department of Mathematics，Nanchang University，Nanchang 330031，China
2.The National Engineering Research Center of Novel Equipment for Polymer Processing，South China University of Technology，Guangzhou 510640，China

Received:2008-08-06 Revised:2008-09-02 Online:2008-11-21 Published:2008-11-21
Contact: XU Gang

摘要/Abstract

摘要： 将粒子群算法与局部优化方法相结合，提出了一种混合粒子群多目标优化算法（HMOPSO）。该算法针对粒子群局部优化性能较差的缺点，引入多目标线搜索与粒子群算法相结合的策略，以增强粒子群算法的局部搜索能力。HMOPSO首先运行PSO算法，得到近似的Pareto最优解；然后启动多目标线搜索，发挥传统数值优化算法的优势，对其进行进一步的优化。数值实验表明，HMOPSO具有良好的全局优化性能和较强的局部搜索能力，同时HMOPSO所得的非劣解集在分散性、错误率和逼近程度等量化指标上优于MOPSO。

关键词: 多目标优化, 粒子群算法, 局部搜索, Pareto最优

Abstract: Combining particle swarm search with local search，a hybrid multi-objective particle swarm optimization（HMOPSO） algorithm for multi-objective optimization is proposed.Aiming at the defect of local optimization for PSO，HMOPSO introduces multi-objective linearity search as a means of acceleration and refinement of the solutions of particle swarm search to improve search performance.It first runs the PSO in order to obtain approximative Pareto optimal solutions.Once the MOPSO is over，multi-objective linearity search is then run with each previously obtained solution to find a better solution.Simulation results show that HMOPSO，compared with MOPSO，can improve efficiency of optimization and ensure a better convergence，spacing and error ration to the true Pareto optimal front.

Key words: multi-objective optimization, PSO algorithm, local search, Pareto optimal solution

徐刚¹,瞿金平². 一种用于多目标优化的混合粒子群优化算法[J]. 计算机工程与应用, 2008, 44(33): 18-21.

XU Gang¹,QU Jin-ping². Hybrid particle swarm optimization algorithm for multi-objective optimization[J]. Computer Engineering and Applications, 2008, 44(33): 18-21.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[3]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[4]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[5]	徐辰华，骆珠光，吴冠宏，刘斌. 基于正弦因子和量子局部搜索的灰狼优化算法[J]. 计算机工程与应用, 2021, 57(24): 83-89.
[6]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[7]	李倩，蒋丽，梁昌勇. 基于模糊时间窗的多目标冷链配送优化[J]. 计算机工程与应用, 2021, 57(23): 255-262.
[8]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[9]	胡小兵，陈树念，张盈斐，谷升豪. 求解多目标路径优化问题的涟漪扩散算法[J]. 计算机工程与应用, 2021, 57(23): 81-90.
[10]	李大海，艾志刚，王振东. 基于全组合策略的多目标阴阳对算法[J]. 计算机工程与应用, 2021, 57(22): 110-124.
[11]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[12]	郝翔，贺毅朝，朱晓斌，翟庆雷. 基于离散混合多宇宙算法求解折扣{0-1}背包问题[J]. 计算机工程与应用, 2021, 57(18): 103-113.
[13]	崔彩霞，毕超超，范勤勤. 基于隐马尔可夫链的自适应MODE及应用[J]. 计算机工程与应用, 2021, 57(14): 83-94.
[14]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[15]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.

一种用于多目标优化的混合粒子群优化算法

Hybrid particle swarm optimization algorithm for multi-objective optimization

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