论文部分内容阅读
类似于遗传算法,群智能算法也属于启发式算法的一种.早在20世纪90年代初,已存在通过模拟自然界生物的社会行为来构造随机算法的思想.研究者对生物的群体行为进行模拟,提出群智能算法,其中最典型的两种是蚁群算法(ACO)和粒子群算法(PSO).粒子群优化算法起源于对简单社会系统的模拟,最初是模拟鸟群觅食的过程,是一种基于群体的随机优化技术.粒子群优化算法自从1995年诞生以来,在研究者的不断努力下,衍生出很多新版本,拓展了应用领域和方向,涌现了大量相关理论的文献和著作.指标的出现,使得决策者的偏好信息可以被结合到多目标优化搜索中.利用这种特性,本文提出一种基于指标的粒子群算法Indicator-PSO.在该算法中,先使用指标对粒子进行适应度赋值,然后根据适应度值找到群体中的最优粒子,并将其置入配对池,使配对池中的其余粒子与其进行杂交.这样,父本的粒子可以利用最优粒子的信息,使群体向更优的方向发展.利用指标的这种特性,粒子群算法可以很容易地解决多目标优化问题.论文最后将算法与NSGA-II、SPEA-2这两种流行的多目标进化算法在ZDT1-4、ZDT6等问题上的测试结果进行比较,试验数据证明该算法在这些问题上显著优于NSGA-II、SPEA-2两种算法.