改进微粒群算法在多目标优化问题中的应用

摘要

在现代科学研究中，多目标优化是优化问题的主要研究领域之一，现实世界中的问题大多具有多目标特征，通常不易处理。因此，解决多目标优化问题是一个非常有实际意义和科研价值的课题。过去在运筹学、决策学等学科涌现了很多方法，用于求解多目标优化问题。随着现代科学的发展，各学科之间的相互渗透，新的交叉学科、思维方式、计算方法的产生，都为多目标优化技术的研究和发展注入了活力，提供了更广阔的研究空间。 随着计算智能技术的发展，在20世纪80年代中期进化算法开始应用于解决多目标优化问题。目前涌现出了很多种多目标进化算法，比如SPEA、PESA、NPGA等，利用进化算法求解多目标优化问题逐渐成为一个热点和重要研究领域。它突破了古典运筹学中多目标优化方法的局限性，并具有区别于传统单目标进化算法的特征，在工业工程、科学和国防军事中具有很高的应用价值。 微粒群算法是20世纪90年代提出的一种基于群体智能理论的优化算法，通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索。这种新算法启发于鸟类、虫、鱼群等物种的群体捕食行为。由于其简单有效，随后得到了广泛的关注，同时其在解决单目标优化问题时表现出来的良好特性也非常适合求解多目标优化问题。 本文主要研究了群体智能中的微粒群优化算法，并将其应用于多目标优化领域。主要工作有以下几个方面： 1.简要介绍了微粒群算法和多目标优化的理论基础主要介绍了微粒群算法的基本概念、算法的基本流程及其发展；多目标优化的基本理论与常见的古典求解方法，最后对多目标进化算法的关键理论进行了探讨，并给出了几种常见的多目标进化算法。 2.提出一种基于动态概率变异的Cauchy微粒群优化针对微粒群算法的不足，通过求解0/1背包问题，验证了Fuzzy PSO算法的性能。借鉴Gaussian Swarm和Fuzzy PSO的基本思想，提出了Cauchy微粒群优化算法，并引入遗传算法中的变异操作，形成了动态概率变异Cauchy微粒群优化算法，实验表明改进算法优于传统算法。 3.提出一种多微粒群协同进化模型借鉴群体智能中协同进化的思想和遗传算法的基本理论，提出了一种多微粒群协同进化算法，通过实验对算法的有效性进行了验证。并结合群体进化算法的一般特征，改进了该算法，提出了一种多群协同进化模型，给出了模型的一般框架。 4.改进了Pareto解集构造方法并予以证明，实现了改进PSO在MOKP中的求解本文最后在擂台赛法则基础上改进了Pareto解集的构造方法，利用改进的微粒群算法，实现了多目标优化中多背包问题的求解。算法模拟程序利用VC++．NET 2005在Windows XP平台上开发完成，分别对三种测试样本进行验证，测试结果比较满意.

目录

文摘

英文文摘

声明

第一章绪论

1.1计算智能

1.1.1进化计算

1.1.2群体智能

1.1.3微粒群算法

1.2多目标优化

1.3研究意义

1.4本文的内容和主要工作

第二章微粒群算法和多目标优化的理论基础

2.1微粒群优化(PSO)

2.1.1基本微粒群算法

2.1.2微粒群算法的社会行为分析

2.1.3微粒群算法的发展

2.2多目标优化

2.2.1多目标优化的基本概念

2.2.2古典的多目标优化方法

2.3多目标进化算法的关键理论

2.3.1 Pareto最优解集的构造

2.3.2进化群体的分布性

2.3.3几种常见的多目标进化算法

第三章Cauchy微粒群优化

3.1 Fuzzy PSO(FPSO)

3.1.1 Fuzzy PSO的基本思想

3.1.2算法描述

3.1.3仿真试验分析

3.2 Cauchy微粒群优化

3.2.1动态概率变异

3.2.2仿真试验分析

3.3小结

第四章一种多微粒群协同进化模型

4.1协同进化

4.1.1常见的协同进化算法

4.2遗传算法

4.3多微粒群协同进化算法(MPSO)

4.4仿真试验分析

4.5基于计算智能的多群协同进化模型

第五章微粒群算法在MOKP中的应用

5.1多目标0/1背包问题

5.2 Pareto解集的构造

5.3 Pareto解集的分布性

5.4算法描述

5.5实验分析

第六章结束语

6.1本文的工作

6.2进一步的研究方向

参考文献

攻读硕士学位期间发表的论文和参与的项目

致谢