登录 | 注册 | 充值 | 退出 | 公司首页 | 繁体中文 | 满意度调查
综合馆
基于定期竞争学习的多目标粒子群优化算法
  • 摘要

    为提高种群的多样性和算法的收敛性,提出一种基于定期竞争学习机制的多目标粒子群算法.该算法将多目标粒子群算法和竞争学习机制相结合,即每隔一定迭代代数便使用一次竞争学习机制,很好地保持了种群的多样性;同时,该算法不需要全局最优粒子的外部存档,而是从当前代种群中选取一部分优秀的粒子,再从这些优秀的粒子中随机选取一个作为全局最优粒子,能够有效提升算法的收敛性.将提出的算法与基于分解的多目标粒子群算法(MPSOD)、基于竞争机制且快速收敛的多目标粒子群(CMOPSO)算法、参考向量引导的多目标进化算法(RVEA)等8个算法在21个标准测试函数上进行了比较,结果表明,所提算法的帕累托(Pareto)前沿更加均匀,在世代距离(IGD)上会更加小.

  • 作者

    刘明  董明刚  敬超  LIU Ming  DONG Minggang  JING Chao 

  • 作者单位

    桂林理工大学信息科学与工程学院,广西桂林,541004/桂林理工大学信息科学与工程学院,广西桂林541004;广西嵌入式技术与智能系统重点实验室(桂林理工大学),广西桂林541004

  • 刊期

    2019年2期 ISTIC PKU

  • 关键词

    多目标优化  粒子群优化  定期竞争  竞争学习机制  全局最优选取策略 

相似文献 查看更多>>
3.80.223.123