综合密度信息的矢量变异多目标粒子群优化

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (21): 50-54.

综合密度信息的矢量变异多目标粒子群优化

逄珊1，杨欣毅2，苏庆堂1

1.鲁东大学信息科学与工程学院，山东烟台 264025
2.海军航空工程学院飞行器工程系，山东烟台 264001

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-07-21 发布日期:2011-07-21

Multi-objective particle swarm optimization with vector mutation and solution density information

PANG Shan1，YANG Xinyi2，SU Qingtang1

1.College of Information Science and Engineering，Ludong University，Yantai，Shandong 264025，China
2.Department of Aircraft Engineering，Naval Aeronautical and Astronautical University，Yantai，Shandong 264001，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-07-21 Published:2011-07-21

摘要/Abstract

摘要： 粒子群优化算法求解多目标优化问题存在早熟收敛和后期收敛速性差的不足，解的分布性也有待提高。为此设计一种新的多目标粒子群优化算法：对寻求粒子最优解的sigma方法进行改进，提出一种综合非支配解密度信息和sigma值的最优解求解机制。对变异粒子速度进行矢量扰动变异;对停滞粒子进行位置变异，有效避免算法的早熟收敛问题。测试结果表明，所提出的算法在收敛性和解的分布性、多样性方面较经典的算法具有明显的优势。

关键词: 多目标优化, 粒子群优化, 进化算法, 变异, 密度

Abstract:

For particle swarm optimization，when it is applied to multi-objective problems there may exist some problems concerning convergence，especially during the later part of iterations.Meanwhile the distribution of solutions needs to be enhanced.A novel multiple-objective particle swarm optimization algorithm is designed in order to solve the above problems.An integrated strategy of finding global best for particle in swarm is presented based on sigma method and solution density information.The proposed algorithm mutates the particles’ velocities by vector disturbance and helps the stagnated particles escape from local optima.The results show that the proposed algorithm has great advantages in convergence，distribution and diversity of solutions than classical algorithms.

Key words: multi-objective optimization, particle swarm optimization, evolutionary algorithm, mutation, density

逄珊1，杨欣毅2，苏庆堂1. 综合密度信息的矢量变异多目标粒子群优化[J]. 计算机工程与应用, 2011, 47(21): 50-54.

PANG Shan1，YANG Xinyi2，SU Qingtang1. Multi-objective particle swarm optimization with vector mutation and solution density information[J]. Computer Engineering and Applications, 2011, 47(21): 50-54.

[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]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[3]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[4]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[5]	彭启慧，宣士斌，高卿. 分布的自动阈值密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(5): 71-78.
[6]	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.
[7]	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.
[8]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[9]	张伟康，刘升，任春慧. 混合策略改进的麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(24): 74-82.
[10]	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.
[11]	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.
[12]	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.
[13]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.
[14]	梅婕，魏圆圆，许桃胜. 基于密度峰值多起始中心的融合聚类算法[J]. 计算机工程与应用, 2021, 57(22): 78-85.
[15]	李守玉，何庆，杜逆索. 分段权重和变异反向学习的蝴蝶优化算法[J]. 计算机工程与应用, 2021, 57(22): 92-101.