一种基于多样性信息和收敛度的多目标粒子群优化算法

韩红桂; 卢薇; 乔俊飞

doi:10.3969/j.issn.0372-2112.2018.02.009

您当前的位置：

首页 >

文章列表页 >

一种基于多样性信息和收敛度的多目标粒子群优化算法

学术论文 | 更新时间：2025-07-16

- 一种基于多样性信息和收敛度的多目标粒子群优化算法
- A Multiobjective Particle Swarm Optimization Algorithm Based on the Diversity Information and Convergence Degree
- 电子学报 2018年46卷第2期页码：315-324
- 作者机构：
  
  1. 北京工业大学信息学部,北京,100124
  2. 计算智能与智能系统北京市重点实验室,北京,100124
  3. 北京工业大学信息学部,北京,100124
  4. 计算智能与智能系统北京市重点实验室,北京,100124
- 作者简介：
- 基金信息：
  
  国家自然科学基金 (No.61622301，No.61533002）;中国博士后科学基金 (No.2014M550017）;教育部博士点基金 (No.20131103110016）;北京市教育委员会项目 (No.km201410005001，No.KZ201410005002）
- DOI：10.3969/j.issn.0372-2112.2018.02.009
  中图分类号： TP18
- 网络出版：2018-02-25，
  
  纸质出版：2018
- 稿件说明：
移动端阅览
韩红桂, 卢薇, 乔俊飞. 一种基于多样性信息和收敛度的多目标粒子群优化算法[J]. 电子学报, 2018,46(2):315-324.

HAN Hong-gui, LU Wei, QIAO Jun-fei. A Multiobjective Particle Swarm Optimization Algorithm Based on the Diversity Information and Convergence Degree[J]. Acta Electronica Sinica, 2018, 46(2): 315-324.
韩红桂, 卢薇, 乔俊飞. 一种基于多样性信息和收敛度的多目标粒子群优化算法[J]. 电子学报, 2018,46(2):315-324. DOI： 10.3969/j.issn.0372-2112.2018.02.009.

HAN Hong-gui, LU Wei, QIAO Jun-fei. A Multiobjective Particle Swarm Optimization Algorithm Based on the Diversity Information and Convergence Degree[J]. Acta Electronica Sinica, 2018, 46(2): 315-324. DOI： 10.3969/j.issn.0372-2112.2018.02.009.

摘要

为了提高多目标粒子群算法优化解的多样性和收敛性，提出了一种基于多样性信息和收敛度的多目标粒子群优化算法（Multiobjective Particle Swarm Optimization based on the Diversity Information and Convergence Degree，dicdMOPSO）.首先，利用非支配解多样性信息评估知识库中最优解的分布状态，设计出一种全局最优解选择机制，平衡了种群的进化过程，提高了非支配解的多样性和收敛性；其次，基于种群多样性信息设计出一种飞行参数调整机制，增强了粒子的全局探索能力和局部开发能力，获得了多样性和收敛性较好的种群.最后，将dicdMOPSO应用于标准测试函数测试，实验结果表明，dicdMOPSO与其他多目标算法相比不仅获得了多样性较高的可行解，而且能够较快的收敛到Pareto前沿.

Abstract

To improve the diversity and convergence of optimal solutions in multiobjective particle swarm optimization (MOPSO) algorithm

a multiobjective particle swarm optimization algorithm

based on the diversity information and convergence degree

named dicdMOPSO

is developed in this paper. Firstly

a global optimal solution selection mechanism

based on the distribution of optimal solutions in the knowledge base with the diversity information of non-dominated solutions

is introduced to balance the evolutionary process of population to improve the diversity and convergence of non-dominated solutions. Then

to enhance global exploration and local exploitation abilities of particles

a flight parameter adjustment mechanism is proposed to obtain the particles with better diversity and convergence by using the population diversity information. Finally

the experiment results demonstrate that

compared with other multiobjective algorithms

this proposed dicdMOPSO algorithm can not only obtain the optimal solutions with better diversity

but also be faster to catch the Pareto front.

关键词

Keywords

references

浏览量

408

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

GWO与ABC的混合优化算法及其聚类优化

大型阵列降维-和差多波束形成的联合优化算法

一种基于离散Fréchet距离的磁场相似性度量方法

基于变因子加权学习与邻代维度交叉策略的改进CSA算法

基于自适应权重和模拟退火的鲸鱼优化算法