文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > IT/计算机 > 基于自适应进化粒子群算法的多目标优化方法
侵权投诉

基于自适应进化粒子群算法的多目标优化方法

多目标粒子群优化

统 仿 真 学 报© Vol. 21 No. 22

2009年11月 Journal of System Simulation Nov., 2009

第21卷第22期 系

基于自适应进化粒子群算法的多目标优化方法

陈民铀,张聪誉,罗辞勇

(重庆大学输配电装备及系统安全与新技术国家重点实验室,重庆 400044)

摘 要:提出一种自适应进化粒子群优化算法(AEPSO),以提高多目标优化PSO算法的性能。AEPSO算法把非支配排序技术、自适应惯性权重和特殊的变异操作引入到PSO算法中,来提高算法的全局搜索能力和粒子的多样性。与常用的整体加权方法来处理多目标优化问题不同,AEPSO算法采用非劣解排序来引导粒子的飞行,以改进算法的收敛性,同时采用特殊的变异操作防止早熟收敛并增加优化解的多样性。所提算法的有效性经过四种代表性benchmark函数进行验证,并与几种典型同类型算法进行比较。该算法已成功地用于合金材料的多目标优化设计。实验结果表明AEPSO算法能够较好地兼顾收敛精度与优化解的多样性,满足多目标优化设计的要求。 关键词:多目标优化; 群体智能; 非支配排序; 合金材料优化设计

中图分类号:TP18 文献标识码:A 文章编号:1004-731X (2009) 22-7061-05

Adaptive Evolutionary Particle Swarm Algorithm for Multi-Objective Optimisation

CHEN Min-You, ZHANG Cong-Yu, LUO Ci-yong

(State Key Laboratory of Power Transmission Equipment & System Security and New Technology, Chongqing University, Chongqing 400044, China)

Abstract: An Adaptive Evolutionary Particle Swarm Optimisation (AEPSO) approach was proposed to improve the performance of PSO algorithm for multi-objective optimisation. The proposed approach incorporated non-dominated sorting, adaptive inertia weight and a special mutation operation into particle swarm optimisation to enhance the exploratory capability of the algorithm and improve the diversity of the Pareto solutions. Instead of using weighted aggregation approach to deal with multi-objective optimisation problems, dominance-based rank was used to guide the flight of particles. The proposed algorithm was validated using several well-known benchmark test functions and successfully applied to the multi-objective optimal design of alloy steels, which aimed at determining the optimal process parameters and the required weight percentages of the chemical composites in order to obtain the pre-defined mechanical properties of the materials. The experimental results have shown that the algorithm can locate the constrained optimal design with good accuracy while keep the diversity of the Pareto solutions.

Key words: multi-objective optimisation; swarm intelligence; pareto-optimality; optimal alloy design

引 言

粒子群优化(PSO)是近年来提出的一种启发式搜索技术,通过种群粒子中个体的交互作用来寻找复杂问题空间中的优化解。PSO算法的产生是受到飞鸟和鱼类集群活动的规律性启发[1]。正如Kennedy指出的,PSO算法是对群体的社会交互行为的一种模拟[2]。PSO算法随机产生一个初始种群并赋予每个微粒一个随机速度,在飞行过程中,微粒的飞行速度和轨迹通过自己及同伴的飞行经验来动态调整,整个群体有飞向更好搜索区域的能力。PSO算法已经被成功应用于众多领域的优化问题[3-6],例如网络优化、控制器参数优化、电力系统优化等。但是直到最近,PSO算法才被扩展到工程领域中经常遇到的多目标优化问题。

PSO算法最早由Kenney和Eberhart提出的[1],其后Shi和Eberhart引入了惯性权重对算法进行了改进

[8,9]

[7]

的标准版本。在每次迭代过程中,粒子的位置由下面的式确

定:

vi(t)=wvi(t-1)+c1r1(pi-xi(t-1))+c2r2(pg-xi(t-1)) (1)

xi(t) = vi(t)+ xi(t-1) (2) vi-粒子飞行速度;w-惯性权重;

基于自适应进化粒子群算法的多目标优化方法

在式子中:xi-粒子位置;c1,c2-加速度常数,取正常数;r1,r2-是在[0,1]范围变化的随机数;pi-粒子在历史中的最好位置;pg-整个群体中的最好位置。

式(1)的第1部分为微粒先前的速度; 第2部分为“认知(cognition)”部分, 表示微粒本身的思考; 第3部分为“社会( social)”部分, 表示微粒间的信息共享与相互合作[10]。

研究表明PSO具有快速发现局部最优解,但是会产生早熟收敛的现象,并且具有种群多样性随代数增加下降过快、有可能不收敛导全局最优解等缺点。为了避免早熟收敛,有很多的改进算法被提出来。先前对算法的改进主要围绕惯性权重或者压缩因子[8-11]。但对于复杂多峰函数,带有线性变化权重的种群多样性可能导致粒子早熟收敛。另外,压缩因子法处理复杂多峰函数效率较低,尽管它对单峰函数具有特别快的收敛速率。近年来,许多学者将进化算法中的选择和变异操作引入PSO。变异操作可以控制种群的多样性,防止搜索停止在局部最优解。在文献[12-15]中提出了带变异操

,引入惯性

权w来更好地控制开拓和探索能力, 参数w根据迭代次数进行动态调整使得w随着代数的增加而逐渐减小,形成了当前

收稿日期:2008-06-02 修回日期:2008-09-18

基金项目:国家111引智工程 (B08036)

作者简介:陈民铀(1954-),教授,博导,研究方向为智能控制、数据建模及多目标优化; 张聪誉(1982-),硕士研究生,研究方向为多目标优化,电力系统优化。

7061

第1页

你可能喜欢

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email