A Novel Diversity Guided Particle Swarm Multi-lbjective Optimization Algorithm

摘要

粒子群算法是一种由Dr.Eberhart与Dr.Kennedy受鸟群捕食行为的启发于1995年提出一种用于单目标优化的智能算法,之后被用来解决多目标问题,许多多目标粒子群算法被相继提出。多目标粒子群优化算法是一种用于优化同时拥有多个相互冲突目标的问题的算法,目前许多的研究工作都着重于通过一些方法来提高算法一些性能,例如:将拥挤度计算加入多目标粒子群算法中,以提高算法的分布性等等。目前,同时提高算法的收敛性与分布性渐渐成为了该领域的研究热点与关键问题。
　　 本文提出了一种多目标多样性引导的粒子群算法(MOPSO-AR),算法通过引力斥力机制、拥挤度计算机制与变异算子共同维持着算法的多样性,而引力斥力机制最为重要,引力斥力机制通过一种度量标准来衡量种群的多样性,进而根据多样性的大小调整粒子的移动距离及方向,使得算法一直保持多样性,从而克服粒子群算法容易早熟收敛的缺点,同时也提高了解的分布性。
　　 实验结果表明MOPSO-AR有效地提高了算法的收敛性及分布性。本算法可以用于多目标决策、参数优化以及组合优化等。将本算法应用于优化—些科学研究和实际工程中的多目标问题,例如网格调度问题以及智能车决策等,将成为本文的下一步工作。

目录

文摘

英文文摘

论文说明:LIST OF FIGURES、LIST OF TABLES

CHAPTER1:INTRoDUCTION

1.1 Background and motivation

1.2 Contribution of the Thesis

1.3 Outline ofthe Thesis

CHAPTER2:MULTI-OBJECTIVE OPTIMIZATION CONCEPT

2.1 Optimization problem

2.2 Objective function

2.3 Decision variables

2.4 Multi-objective optimization

2.5 Domination

2.6 Representation of a tradeoffsurfaee or Pareto front

Chapter summary

CHAPTER3:MULTI-OBJECTIVE OPTIMIZATION APPOARCHES AND RELATED WORK

3.1 Multi-objective evolutionary algorithms(MOEAs)

3.2 Multi-objective Particle Swarm optimization

3.3 Alternative approaches

Chapter summary

CHAPTER4:THE PROPOSED APPROACH:A NOVEL DIVERSlTY GUIDED PARTlCLE SWARM MULTI-Objective OPTIMIZATION ALGORITHM (MOPSO-AR)

4.1 MOPSO-AR Background

4.2 Attraction and Repulsion Mechanism

4.3 MOPSO-AR Algorithm

4.4 EXPERIMENTAL RESULTS

4.4.1 Performance Measurement

4.4.2 Test Functions

4.4.3 Results

4.5 Algorithm parameters discussion

4.5.1 Parameter Dir Discussion

4.5.2 Global Best Selection Discussion

4.5.3 Mutation Operator Discussion

Chapter summary

CONCLUSIONS

REFERENCES

ACKNOWLEDGEMENTS

APPENDIX A:LIST OF PUBLISHED PAPER

A Novel Diversity Guided Particle Swarm Multi-objective Optimization Algorithm