改进的MOPSO算法：精英保持与最佳解选择优化

本文主要探讨了针对多目标微粒群优化(13MOPSO)算法的改进策略，目的是提升其在处理高维目标优化问题时的性能，减少计算复杂度，并增强算法的收敛性。在原有的MOPSO算法基础上，作者提出了一种新的精英保持策略和最佳解选择方法。 首先，改进的核心在于利用扩展E支配（Extended E-Dominance）方法来评估和确定解之间的优劣关系。这种方法能够更准确地识别出在多目标优化问题中具有竞争力的解，有助于引导粒子向全局最优区域聚集。相比于传统的比较方法，这种改进提高了算法在搜索过程中对有效解的选择效率。 其次，作者引入了随机选择当代最佳解的机制，这既考虑了算法的收敛性，也避免了陷入局部最优。通过随机性，算法能够在多个可能的最优解中探索，增加了找到全局最优的可能性。 此外，为了保持算法的多样性，外部种群档案被用来存储精英解。这样，即使在优化过程中，算法也不会忽视那些具有潜在优势但尚未完全优化的解。这有助于防止算法过早收敛，确保了全局搜索的全面性。 在处理多目标优化问题时，优化问题的目标空间被非线性函数映射到一个有限区域，这样可以更好地理解解在目标空间中的分布情况，并据此调整搜索策略。这样做的目的是在保持解决集中优秀个体的同时，兼顾解的均匀分布，从而达到更好的平衡。 通过仿真研究，作者对比了改进后的13MOPSO算法与原始的MOPSO和NSGA2算法在3个或以上目标的优化问题上的表现。结果显示，改进算法在收敛性和计算复杂度上均有所提升，表明其在处理这类复杂优化问题时具有明显的优势。 这篇文章提供了对多目标微粒群优化算法的重要改进，通过优化精英保持策略和最佳解选择，旨在提升算法在高维多目标优化问题中的性能，为实际工程应用提供了有效的优化工具。