模式识别与人工智能
2025年4月4日 星期五   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2017, Vol. 30 Issue (3): 224-234    DOI: 10.16451/j.cnki.issn1003-6059.201703004
论文与报告 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于平衡搜索策略的多目标粒子群优化算法*
耿焕同1,2,陈正鹏2,陈哲2,周利发2
1.南京信息工程大学 江苏省网络监控中心 南京 210044
2.南京信息工程大学 计算机与软件学院 南京 210044
Multi-objective Particle Swarm Optimization Algorithm Based on Balance Search Strategy
GENG Huantong1,2, CHEN Zhengpeng2, CHEN Zhe2 , ZHOU Lifa2
1.Jiangsu Engineering Center of Network Monitoring, Nanjing University of Information Science and Technology, Nanjing 210044
2.School of Computer and Software, Nanjing University of Information Science and Technology, Nanjing 210044

全文: PDF (3543 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 鉴于平衡全局和局部搜索在多目标粒子群优化算法获取完整均匀Pareto最优前沿方面的重要性,设计平衡全局和局部搜索策略,进而提出改进的多目标粒子群优化算法(bsMOPSO).文中策略在局部搜索方面设计归档集自挖掘子策略,通过对归档集中均匀分布的部分粒子进行柯西扰动,使归档集涵盖整个前沿面的局部搜索.在全局搜索方面设计边界最优粒子引导搜索子策略,以边界最优粒子替换部分粒子的全局最优解,引导粒子向各维目标的边界区域搜索.选取4种对比算法在ZDT和DTLZ系列的部分测试函数上进行实验,结果表明bsMOPSO具有更快的Pareto最优前沿收敛效率和更好的分布性.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
耿焕同
陈正鹏
陈哲
周利发
关键词 多目标优化 粒子群优化 归档集自挖掘 边界最优粒子引导 平衡搜索    
Abstract:Considerating the importance of balancing global and local search for multi-objective particle swarm optimization algorithm(MOPSO) to obtain the complete and uniform Pareto front(PF), a balance search strategy is designed and an improved multi-objective particle swarm optimization algorithm (bsMOPSO) is proposed.The strategy is composed of two novel search sub-strategies. In the local search sub-strategy, self-exploitation of archive set is designed to achieve local search involving the entire Pareto front by disturbing fixed ratio of uniform particles in archive set with Cauchy mutation. In the global search sub-strategy, guided search by the best boundary particle is designed through using the optimal boundary particle as the global optimal solution, and therefore more boundary areas of each objective function are searched by part of particle swarm. By comparing five algorithms on the series of ZDT and DTLZ test functions, the results demonstrate that bsMOPSO achieves better Pareto optimal convergence and distribution.
Key wordsMulti-objective Optimization    Particle Swarm Optimization    Self-exploitation of Archive Set    Best Boundary Particle-Guided Search    Balance Search   
收稿日期: 2016-09-16     
ZTFLH: TP 301  
基金资助:国家自然科学基金项目(No.61403206)、江苏省自然科学基金项目(No.BK20151458)、江苏省“青蓝工程”项目(2016)资助
作者简介: 耿焕同(通讯作者),男,1973年生,博士,教授,主要研究方向为计算智能、多目标优化等.E-mail:htgeng@nuist.edu.cn.
陈正鹏,男,1990年生,硕士研究生,主要研究方向为多目标优化.E-mail:1130030521@qq.com.
陈 哲,男,1991年生,硕士研究生,主要研究方向为多目标优化.E-mail:896641690@qq.com.
周利发,男,1992年生,硕士研究生,主要研究方向为多目标优化.E-mail:1002151881@qq.com.
引用本文:   
耿焕同,陈正鹏,陈哲,周利发. 基于平衡搜索策略的多目标粒子群优化算法*[J]. 模式识别与人工智能, 2017, 30(3): 224-234. GENG Huantong, CHEN Zhengpeng, CHEN Zhe, ZHOU Lifa. Multi-objective Particle Swarm Optimization Algorithm Based on Balance Search Strategy. , 2017, 30(3): 224-234.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.201703004      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2017/V30/I3/224
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn