计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2013年
7期
1926-1929,1959
,共5页
耿焕同%高军%贾婷婷%吴正雪
耿煥同%高軍%賈婷婷%吳正雪
경환동%고군%가정정%오정설
粒子群优化算法%多目标优化%局部最优%动态惯性权重
粒子群優化算法%多目標優化%跼部最優%動態慣性權重
입자군우화산법%다목표우화%국부최우%동태관성권중
Particle Swarm Optimization (PSO) algorithm%multi-objective optimization%local optima%dynamic inertia weight
粒子群优化(PSO)算法是一种基于群体演化且非常有效的求解多目标优化问题的方法,但因经典算法中粒子进化存在趋同性导致算法易陷入局部Pareto最优前沿,使得解集收敛性和分布性不理想.为此提出了一种均衡分布性和收敛性的多目标粒子群优化(DWMOPSO)算法,算法中每个粒子根据自身在进化过程中记忆的个体最好适应度值构建进化速度,由进化速度的快慢动态调整各粒子惯性权重,增加粒子的多样性,从而提高粒子跳出局部最优解的概率.通过在5个标准测试函数上进行仿真实验,结果表明,与Coello的多目标粒子群优化(MOPSO)算法相比,DWMOPSO算法获得的解集在与真实解集的逼近性和解集的分布性两个方面都有了很大的提高.
粒子群優化(PSO)算法是一種基于群體縯化且非常有效的求解多目標優化問題的方法,但因經典算法中粒子進化存在趨同性導緻算法易陷入跼部Pareto最優前沿,使得解集收斂性和分佈性不理想.為此提齣瞭一種均衡分佈性和收斂性的多目標粒子群優化(DWMOPSO)算法,算法中每箇粒子根據自身在進化過程中記憶的箇體最好適應度值構建進化速度,由進化速度的快慢動態調整各粒子慣性權重,增加粒子的多樣性,從而提高粒子跳齣跼部最優解的概率.通過在5箇標準測試函數上進行倣真實驗,結果錶明,與Coello的多目標粒子群優化(MOPSO)算法相比,DWMOPSO算法穫得的解集在與真實解集的逼近性和解集的分佈性兩箇方麵都有瞭很大的提高.
입자군우화(PSO)산법시일충기우군체연화차비상유효적구해다목표우화문제적방법,단인경전산법중입자진화존재추동성도치산법역함입국부Pareto최우전연,사득해집수렴성화분포성불이상.위차제출료일충균형분포성화수렴성적다목표입자군우화(DWMOPSO)산법,산법중매개입자근거자신재진화과정중기억적개체최호괄응도치구건진화속도,유진화속도적쾌만동태조정각입자관성권중,증가입자적다양성,종이제고입자도출국부최우해적개솔.통과재5개표준측시함수상진행방진실험,결과표명,여Coello적다목표입자군우화(MOPSO)산법상비,DWMOPSO산법획득적해집재여진실해집적핍근성화해집적분포성량개방면도유료흔대적제고.
