论文部分内容阅读
在实际工程领域存在许多复杂的动态多目标优化问题,其目标函数、约束条件或定义域中至少有一个是随时间变化的,所以,其最优解也会随着时间而变化。多族群PSO算法是采用多个子群并行搜索且子群是动态变化的一种求解多目标优化问题的算法。该算法在求解静态多目标优化问题时是可行的,但是在求解动态多目标优化问题时缺少对环境变化的检测。因此,本文在多族群PSO算法的基础上引入一种环境检测算子,提出了一种改进型多族群PSO算法,并利用改进算法求解森林空间动态多目标优化模型。本文主要研究内容如下:1、提出了一种改进型多族群PSO算法,并对算法性能进行了测试。根据实际问题预设阈值θ,随机选取当前粒子种群中20%个体,计算新适应度值与原适应度值的欧氏距离差的平均值作为环境检测算子ε,通过比较ε和θ的大小判断环境的变化。同时,研究分析和比较五种惯性权重下PSO算法的性能,选择性能最好的一种惯性权重作为改进算法的惯性权重。然后利用四个典型动态多目标优化问题测试改进算法的性能,并与基于改进的距离预测机制及自适应差分算子的动态多目标免疫优化算法PDMIOA和基于动态粒子群算法的动态多目标优化算法dDMS-MOPSO进行对比。试验结果表明文中提出的改进算法在收敛性、分布性以及跟踪性等性能上都优于PDMIOA和dDMS-MOPSO算法。2、构建了森林空间结构动态多目标优化模型。结合单木生长模型中林木生长随时间的变化规律,从林分传统结构、林分空间结构和林分垂直结构三个方面选取林木混交度、竞争指数、角尺度、林层指数、空间密度指数、开阔比数、大小比数、单株材积和健康指数为目标函数,建立森林空间结构动态多目标优化模型,并利用本文提出的改进型多族群PSO算法对该模型进行求解。3、森林空间结构动态多目标优化模型的验证。针对现实林分,以三年为一个林分调整周期,设置三个环境变量,以是否考虑林分调整对林分结构的影响为标准进行两次实验。首先对两次实验下模型的输出结果进行分析,提出了相应的林分调整策略。然后通过对比调整前后林分的均质性指数、混交度、竞争指数、健康度、空间密度指数以及开阔比等指标,发现两次实验下调整后的林分各方面的指标都优于调整前的指标,林分结构明显得到了改善。因此,本文所提出的森林空间结构动态多目标优化模型是可靠的,可为日后智能林业的发展提供相应的技术支持。