基于大规模变量分解的多目标粒子群优化算法研究

摘要：

含有大规模变量的多目标优化问题是目前多目标进化算法领域的研究重点.多目标粒子群优化方法具有收敛性良好、计算简单和参数设置少等优点,但随着优化问题决策变量的增多,“变量维度”成为了瓶颈.针对上述问题,文中提出的变量随机分解策略,增加关联变量分配到同组的概率,使得算法更好的保留变量间的关联性,并将合作协同进化框架融合到算法中,提出了基于大规模变量分解的多目标粒子群优化算法(CCMOPSO).将该算法在经典标准测试函数ZDT1、ZDT2、ZDT3、DTLZ1、DTLZ2变量扩展后进行仿真对比实验,采用加法二进制ε指标和超体积指标(HV)对算法收敛性和多样性进行对比分析,实验结果表明,在解决大规模变量的多目标函数中,变量维度越高,该算法比经典多目标算法MOPSO、NSGA-Ⅱ、MOEA/D以及GDE3越具有更好的多样性与收敛性,同时使得计算复杂度明显降低.

关键词：粒子群优化、大规模变量、随机分解、合作协同、全局优化

所属期刊栏目：39

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金面上项目61472366,61379077,61503340;浙江省自然科学基金LZ13F020002,LY13F030010,LY17F020022资助.This research is supported by the National Natural Science Foundation of China under Grant Nos.61472366,61379077 and 61503340,and the Zhejiang Provincial Natural Science Foundation of China under Grant Nos.LZ13F020002,LY13F030010,and LY17F0

在线出版日期：2017-02-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共16页

页码：2598-2613