第 32卷 第 3期 控 制 与 决 策 Vol.32 No.3
2017年 3月 Control and Decision Mar. 2017
文章编号: 1001-0920(2017)03-0403-08 DOI: 10.13195/j.kzyjc.2016.0186
基于分解和差分进化的多目标粒子群优化算法
李 飞
1†
, 刘建昌
1
, 石怀涛
3
, 傅梓瑛
2
(1. 东北大学 信息科学与工程学院,沈阳 110004;2. 东北大学 基建管理处,沈阳 110004;
3. 沈阳建筑大学 机械工程学院,沈阳 110168)
摘 要: 为了提高多目标优化算法解集的分布性和收敛性, 提出一种基于分解和差分进化的多目标粒子群优化算
法 (dMOPSO-DE). 该算法通过提出方向角产生一组均匀的方向向量, 确保粒子分布的均匀性; 引入隐式精英保持
策略和差分进化修正机制选择全局最优粒子, 避免种群陷入局部最优 Pareto 前沿; 采用粒子重置策略保证群体的
多样性. 与非支配排序 (NSGA-II) 算法、多目标粒子群优化 (MOPSO) 算法、分解多目标粒子群优化 (dMOPSO) 算
法和分解多目标进化-差分进化 (MOEA/D-DE) 算法进行比较, 实验结果表明, 所提出算法在求解多目标优化问题
时具有良好的收敛性和多样性.
关键词: 分解;差分进化算法;多目标优化;粒子群优化算法;方向角
中图分类号: TP273 文献标志码: A
Multi-objective particle swarm optimization algorithm based on
decomposition and differential evolution
LI Fei
1†
,LIU Jian-chang
1
,SHI Huai-tao
3
,FU Zi-ying
2
(1. College of Information Science and Engineering,Northeastern University,Shenyang 110004,China;2. Infrastructure
Management Department,Northeastern University,Shenyang 110004,China;3. College of Mechanical Engineering,
Shenyang Jianzhu University,Shenyang 110168,China)
Abstract: In order to improve the convergence and diversity of the Pareto optimal set in multi-objective optimization
algorithms, a multi-objective particle swarm optimization algorithm based on decomposition and differential
evolution(dMOPSO-DE) is proposed, in which the direction angle is presented to generate a set of direction vectors for
maintaining the uniform distribution of the swarm. To avoid getting trapped into a local Pareto optimal front,
decomposition-based strategy and differential evolution operator are used to generate the global best leader. Moreover,
particle memory re-initialization is applied to enhance the diversity of the swarm. The preliminary results show that,
compared with Non-dominated sorting genetic algorithm-II(NSGA-II), multi-objective particle swarm optimizer
(MOPSO), multi-objective particle swarm optimizer based on decomposition(dMOPSO) and multi-objective
evolutionary algorithm based on decomposition and differential evolution(MOEA/D-DE), the proposed algorithm has
good performance on convergence and diversity.
Keywords: decomposition;differential evolution;multi-objective optimization;particle swarm optimization
algorithm;direction angles
0 引
在科学研究和工程实践中, 许多问题都可以归
类为多目标优化问题 (MOPs)
[1]
. 多目标优化问题存
在多个相互冲突的目标, 其中一个目标的改善必然
会降低另外一个或其他多个目标的性能. 因此, 多目
标优化问题没有单个最优解, 而是一个 Pareto 最优解
集. 进化算法 (EA) 具有较好的全局搜索能力, 且一次
运行可以得到多个解的特性,进化多目标优化算法已
被广泛应用于解决多目标优化问题
[2]
.
粒子群优化算法 (PSO)
[3]
是根据鸟群飞行觅食
行为提出的一种群智能优化算法. PSO 结构简单, 收
敛速度快, 已被成功应用于求解单目标优化问题, 也
是适合解决多目标优化问题的方法之一.
文献
[4]
提出了多目标粒子群优化
(MOPSO)
算
收稿日期: 2016-02-22;修回日期: 2016-05-26.
基金项目: 国家自然科学基金项目 (61374137).
作者简介: 李飞 (1988−), 男, 博士生, 从事多目标进化算法的研究;刘建昌 (1960−), 男, 教授, 博士生导师, 从事复
杂工业过程建模控制与优化等研究.
†
通讯作者. E-mail: lanceleeneu@126.com