求解多目标优化问题的自适应粒子群算法

doi:10.3778/j.issn.1002-8331.2010.23.010

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (23): 38-40.DOI: 10.3778/j.issn.1002-8331.2010.23.010

求解多目标优化问题的自适应粒子群算法

文瑛，廖伟志，闭应洲

广西师范学院计算机与信息工程学院，南宁 530023

收稿日期:2009-05-19 修回日期:2009-07-08 出版日期:2010-08-11 发布日期:2010-08-11
通讯作者: 文瑛

Self-adaptive particle swarm optimizer for multi-objective optimization problems

WEN Ying，LIAO Wei-zhi，BI Ying-zhou

School of Computer and Information Engineering，Guangxi Teachers Education University，Nanning 530023，China

Received:2009-05-19 Revised:2009-07-08 Online:2010-08-11 Published:2010-08-11
Contact: WEN Ying

摘要/Abstract

摘要： 提出了一种基于自适应惯性权重的多目标粒子群优化算法AWMOPSO，采用新的适应值分配机制，在搜索过程中根据粒子的适应值对粒子进行分类，动态调整粒子的惯性权重以控制粒子的开发和探索能力。用外部精英集保存非支配解，并通过拥挤距离维持解的多样性。引入精英迁移和局部扰动策略，提高收敛的速度和精度。典型的测试函数的计算结果表明了算法能够快速逼近Pareto最优前沿，是求解多目标优化问题的有效方法。

关键词: 多目标优化, 粒子群, 惯性权重, Pareto最优

Abstract: In this paper，a new multi-objective particle warm optimizer based on self-adaptive inertia weight is proposed.The particles are given different inertia weight based on fitness allocated by a new approach in order to control global exploring and local exploiting.The non-dominated solutions are archived external and crowding distance is used to maintain diversity.Meanwhile the strategy of elitist individual migration and turbulence enhance the convergence speed.The experimental results indicate that the proposed approach is competitive，being able to approximate the Pareto front efficiently.

Key words: multi-objective optimization, Particle Swarm Optimization（PSO）, inertia weight, Pareto optimal

中图分类号:

TP301.6

文瑛，廖伟志，闭应洲. 求解多目标优化问题的自适应粒子群算法[J]. 计算机工程与应用, 2010, 46(23): 38-40.

WEN Ying，LIAO Wei-zhi，BI Ying-zhou. Self-adaptive particle swarm optimizer for multi-objective optimization problems[J]. Computer Engineering and Applications, 2010, 46(23): 38-40.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	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.
[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]	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.
[5]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[6]	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.
[7]	张公凯，陈才学，郑拓. 改进鲸鱼算法在电动汽车有序充电中的应用[J]. 计算机工程与应用, 2021, 57(4): 272-278.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[14]	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.
[15]	梁田，曹德欣. 基于莱维飞行的改进简化粒子群算法[J]. 计算机工程与应用, 2021, 57(20): 188-196.

求解多目标优化问题的自适应粒子群算法

Self-adaptive particle swarm optimizer for multi-objective optimization problems

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