论文部分内容阅读
科学领域的研究和工程应用的实践中有着许多与多目标优化有关的问题，如区域的交通管理、楼房建设的规划、物质资源的利用、金融资本的流通等。所以对多目标优化问题的求解算法进行研究有着十分重要的意义和作用。由于各个目标函数彼此间存在冲突的原因，使得多目标优化问题的最优解并不唯一，即无法找到一个使所有目标函数都为最优的解，这样就使得对多目标优化问题的求解具有很大的困难。虽然学者们已经提出了许多能够对多目标优化问题进行求解的算法，但只是单一的使用这些算法来求解仍然难以满足多目标优化领域各方面的需求。本文将粒子群优化算法、差分进化算法、分布估计算法混合使用，提出了两种组合多目标优化算法。首先针对粒子群优化算法在求解多目标优化问题时，容易陷入局部极值的现象，提出了一种组合粒子群和差分进化的多目标优化算法，使用粒子群优化算法和差分进化算法共同产生新粒子，通过一个判断因子控制两种算法的使用比例，并对粒子群优化算法的速度更新公式进行了改变，以提高搜索效率。通过6个测试函数进行了仿真实验，并同NSGA-Ⅱ、σ-MOPSO、NSPSO和MOPSO进行了比较。实验结果表明该算法求得的Pareto解集收敛性和多样性好，并且算法稳定性高，运行速度快。然后将分布估计和差分进化两种算法相结合，提出了一种组合分布估计和差分进化的多目标优化算法。种群中的粒子是通过分布估计与差分进化两种算法共同生成的，每个粒子的生成方式通过选择因子来决定，并且根据优化时期来调整两种算法的选用比例。在寻优初期，通过分布估计算法来实现快速的定位，然后利用差分进化算法实现精确搜索。并对差分进化算法的变异因子进行了改进，定义了一个逐渐变化的变异因子，来控制不同优化时期中差分进化算法的变异范围。选用6个典型的测试函数对算法进行了仿真实验，并同NSGA-Ⅱ、RM-MEDA进行了比较。实验结果表明，该算法求得的Pareto最优解集具有很好的收敛性和分布性，并且算法稳定，收敛速度快。