计算机应用

作者：刘明, 董明刚, 敬超

单位：1. 桂林理工大学 信息科学与工程学院, 广西 桂林 541004;2. 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

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

基金：国家自然科学基金资助项目（61563012，61203109，61802085）；广西自然科学基金资助项目（2014GXNSFAA118371，2015GXNSFBA139260）。

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。

来源：2019年第2期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第2期