多目标粒子群算法改进与营养配餐应用

多目标优化的粒子群算法是一种新兴的群智能优化方法，由大连理工大学硕士研究生陈绍新在2007年进行深入研究。论文主要围绕多目标优化问题展开，探讨了粒子群算法（PSO）在这一领域的应用，PSO以其较快的收敛速度和较少的参数设置而受到关注，但在解集分布性和收敛性上仍有提升空间。论文重点介绍了传统多目标优化问题的解决方法，尤其是进化算法的运用，以及粒子群算法在多目标优化中的现有进展。 作者在研究中对多目标粒子群算法进行了创新性改进，首先在粒子全局最优值的选择上，引入了拥挤机制和禁忌搜索，旨在提高全局最优解的选取合理性，防止算法过早陷入局部最优，确保了解的多样性。其次，针对约束条件处理的不足，作者引入了半可行域概念，优化了适应度函数的求解，提升了边界值处理的精度。此外，论文还改进了构造非支配集的方法，通过随机选择策略交换分组，降低了算法的时间复杂度。 在实际应用方面，论文提出了一种新的营养配餐计算模型，考虑到经济因素外，还兼顾人体营养需求和不同人群的多样化需求，使模型更具灵活性。作者开发了一个基于Web的营养配餐决策支持系统，将改进的多目标粒子群算法应用于其中。实验结果表明，新的算法在解决营养配餐问题上表现出更好的可行性和有效性，拓宽了多目标粒子群算法在实际问题中的应用范围。 该论文深入研究了多目标优化的粒子群算法，不仅理论上有深度，而且在实际问题如营养配餐计算中的应用展示了算法的有效性和实用性，为多目标优化问题的求解提供了新的思路和工具。