基于多点速度向量的多目标粒子群算法改进

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (2): 46-56.

基于多点速度向量的多目标粒子群算法改进

沈佳杰，江红，王肃

华东师范大学信息科学技术学院，上海 200241

出版日期:2015-01-15 发布日期:2015-01-12

Improved multi-objective particle swarm optimization algorithm based on mult-point velocity vector

SHEN Jiajie, JIANG Hong, WANG Su

School of Information Science and Technology, East China Normal University, Shanghai 200241, China

Online:2015-01-15 Published:2015-01-12

摘要/Abstract

摘要： 针对多目标粒子群算法在高维条件下易早熟、迭代步骤数较多的问题，通过引入多点速度向量，提出一种基于多点速度向量的多目标粒子群改进算法，由于改进的多目标粒子群可以看成多个对于目标函数和当前种群的多目标最优点独立的速度和位置分量的叠加，减少了在目标函数最优值搜索之间相互的影响，从而有效地提高多目标粒子群在高维条件下的收敛速度以及准确性，理论证明这这种改进的有效性。实验结果证明了理论推导的正确性。

关键词: 多点速度向量, 多目标问题, 粒子群算法

Abstract: Aiming to handle the Multi-objective Optimization Problem（MOP）, using the method of introducing multi-vector, an improved multi-objective particle swarm optimization algorithm is proposed in this paper. Improved multi-objective particle swarm optimization algorithm can find the global optimum faster than the standard multi-objective particle swarm optimization algorithm under high-dimensional situation. Through theoretical derivation, the correctness of improved multi-objective particle swarm optimization algorithm is proved. The correctness of the theoretical derivation is verified by experiment.

Key words: multi-point velocity vector, multi-objective problem, particle swarm optimization algorithm

沈佳杰，江红，王肃. 基于多点速度向量的多目标粒子群算法改进[J]. 计算机工程与应用, 2015, 51(2): 46-56.

SHEN Jiajie, JIANG Hong, WANG Su. Improved multi-objective particle swarm optimization algorithm based on mult-point velocity vector[J]. Computer Engineering and Applications, 2015, 51(2): 46-56.

[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]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[9]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[10]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[11]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.
[12]	胡雪娇，陈行健，赵南，薛卫. PSO_BFA优化词袋模型及蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2020, 56(1): 165-171.
[13]	蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2. 改进的二阶振荡粒子群算法[J]. 计算机工程与应用, 2019, 55(9): 130-138.
[14]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[15]	冯建新1，2，李慧1，2，刘治国1，2. 新型火焰颜色空间——IFCS[J]. 计算机工程与应用, 2019, 55(5): 203-210.