概率选择的自适应MOPSO:提升多目标优化性能

本篇论文深入探讨了多目标粒子群优化算法的研究，特别是在提高算法的收敛性和分布性方面的创新。传统的粒子群优化（PSO）算法，如Kennedy和Eberhart的早期工作，最初被设计用于模拟生物群体的行为，尤其是在单目标优化问题中的应用。然而，随着多目标优化问题的复杂性增加，该领域的需求也随之增长，算法需在保持多样性与加速收敛上寻求平衡。 论文首先回顾了多目标粒子群优化的发展历程，如文献[3]提到的精英策略和SPEA2算法中的环境选择和配对选择，冯金芝的工作则关注了局部搜索的提升。黄平的贡献在于引入非支配排序策略和动态加权方法，增强了算法的全局搜索能力。然而，这些算法仍有改进空间，尤其是在处理多目标优化问题时如何兼顾多样性和收敛速度。 本文作者在Coello的MOPSO算法的基础上，提出了一个基于概率选择的自适应多目标粒子群优化算法。该算法的核心创新包括：通过非劣排序和拥挤距离的概念，为每个粒子分配一个适应度值，确保最优解集的分散性；利用概率选择机制，动态地选择和更新个体，使得算法能更好地探索和利用搜索空间；以及根据粒子位置和迭代次数自适应调整惯性因子，以增强算法的收敛性能。 为了验证新算法的有效性，作者选择了常见的多目标测试函数进行实验评估。结果显示，相较于MOPSO，该算法在收敛速度和最优解集分布性上表现出显著的优势，证明了其在多目标优化问题上的实用性和有效性。 这篇论文通过引入概率选择和自适应调整策略，为多目标粒子群优化提供了一个有前景的改进方法，对于实际工程问题的求解具有重要的理论价值和应用潜力。