电子学报 ›› 2016, Vol. 44 ›› Issue (5): 1180-1188.DOI: 10.3969/j.issn.0372-2112.2016.05.024

• 学术论文 • 上一篇    下一篇

应用精英反向学习的多目标烟花爆炸算法

谢承旺1,2, 许雷1, 赵怀瑞3, 夏学文1, 魏波1   

  1. 1. 华东交通大学软件学院, 江西南昌 330013;
    2. 江西科技师范大学数学与计算机学院, 江西南昌 330013;
    3. 华东交通大学轨道交通学院, 江西南昌 330013
  • 收稿日期:2015-09-11 修回日期:2015-11-20 出版日期:2016-05-25 发布日期:2016-05-25
  • 作者简介:谢承旺 男,1974年10月出生,湖北武汉人,副教授、硕士生导师、中国计算机学会高级会员.2005年、2010年分别在武汉理工大学、武汉大学获得工学硕士和工学博士学位,2015年从武汉大学数学博士后流动站出站.现主要从事智能计算与智能信息处理方面的研究工作.E-mail:chengwangxie@163.com;许雷 男,1989年1月出生,湖北咸宁人,硕士研究生.主要从事智能计算方面的研究.E-mail:13077911256@163.com;赵怀瑞 男,1977年11月出生,山东临沂人,博士、讲师.2007年、2012年分别在大连交通大学、北京交通大学获得硕士和博士学位.主要从事车辆结构优化方面的研究工作;夏学文 男,1974年8月出生,湖北孝感人,博士、副教授、硕生导师.主要从事智能计算及其应用方面的研究;魏波 男,1983年1月出生,湖北天门人,博士、讲师.主要从事演化计算方面的研究.
  • 基金资助:

    国家自然科学基金(No.61165004);江西省自然科学基金(No.20114BAB201025,No.20151BAB207022);江西省教育厅科技项目(No.GJJ12307,No.GJJ14373)

Multi-objective Fireworks Optimization Algorithm Using Elite Opposition-Based Learning

XIE Cheng-wang1,2, XU Lei1, ZHAO Huai-rui3, XIA Xue-wen1, WEI Bo1   

  1. 1. School of Software, East China Jiaotong University, Nanchang, Jiangxi 330013, China;
    2. School of Mathematics and Computer Science, Jiangxi Science and Technology Normal University, Nanchang, Jiangxi 330013, China;
    3. School of Railway Tracks and Transportation, East China Jiaotong University, Nanchang, Jiangxi 330013, China
  • Received:2015-09-11 Revised:2015-11-20 Online:2016-05-25 Published:2016-05-25

摘要:

现实中的多目标优化问题越来越多,而且日益复杂.受混合多目标优化算法设计思想的启发,将烟花爆炸方法和精英反向学习机制引入至多目标优化领域,提出一种应用精英反向学习的多目标烟花爆炸算法(Multi-Objective Fireworks Optimization Algorithm Using Elite Opposition-Based Learning,MOFAEOL).该算法利用精英反向学习策略加强算法的全局搜索能力,利用烟花爆炸方法增强算法的局部搜索能力并提高求解的精度.这两种搜索机制相互协同以更好地平衡算法的全局勘探和局部开采的能力.MOFAEOL算法与另外5种代表性多目标优化算法一同在由ZDT系列和DTLZ系列组成的测试集上进行性能比较.实验表明,MOFAEOL算法在收敛性、多样性和稳定性方面均优于或部分优于其他对比算法.

关键词: 烟花爆炸优化, 精英反向学习, 多目标优化算法

Abstract:

More and more complex multi-objective optimization problems have emerged in the real world.Inspired by the idea of hybrid components of multi-objective optimization algorithms, a method of fireworks explosion optimization and a strategy of elite opposition-based learning were introduced into the field of multi-objective optimization.A multi-objective fireworks optimization algorithm using elite opposition-based learning (MOFAEOL) was proposed in the paper.The MOFAEOL utilized the elite opposition-based learning strategy to strengthen the global search ability, and adopted the fireworks explosion optimization approach to improve the local search ability and the accuracy of the algorithm.These two learning mechanisms collaborated to balance the global exploration and the local exploitation, in order to solve some hard multi-objective optimization problems efficiently.The MOFAEOL was compared with other five typical multi-objective optimization algorithms on a benchmark test set including 12 multi-objective optimization test problems composed by ZDT and DTLZ series functions.Experimental results show that the MOFAEOL is superior or competitive to the other peer algorithms in convergence, diversity and stability.

Key words: fireworks explosion optimization, elite opposition-based learning, multi-objective evolutionary algorithm

中图分类号: