多目标粒子群学习笔记（MOPSO）

最新推荐文章于 2025-02-18 16:00:00 发布

is Tester.

最新推荐文章于 2025-02-18 16:00:00 发布

阅读量2.1w

点赞数 35

分类专栏：优化算法文章标签：算法

本文链接：https://blog.csdn.net/arong1417/article/details/119359154

版权

优化算法专栏收录该内容

9 篇文章

订阅专栏

本文介绍了多目标粒子群优化算法(MOPSO)的基本概念、流程及改进措施。包括单目标PSO流程、MOPSO算法步骤、改进方法及其发展现状和应用。详细解释了如何选择pbest和gbest，以及MOPSO的存档方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

注释：是学习之余整理的资料，如有不对的地方还请指教，十分感谢！

1.单目标PSO的流程

适应度：个体的适应度（fitness）指的是个体在种群生存的优势程度度量，用于区分个体的“好与坏”。适应度使用适应度函数（fitness function）来进行计算。适应度函数也叫评价函数，主要是通过个体特征从而判断个体的适应度。

Pbest:粒子本身经历过的最优位置

Gbest:是粒子群经历过的最优位置

其中：

1、初始化粒子群位置是随机产生的；

2、速度更新公式：

PSO:是一种模拟社会行为、基于群体智能的进化技术。

MOPSO：将原来只能用在单目标上的粒子群算法应用于多目标。

问题一：如何选择MOPSO的pbest?

问题二：如何选择MOPSO的gbest?

问题一：

对于问题一的做法是在不能严格对比出哪个好一些时随机选择其中一个作为历史最优。

问题二：

对于问题二，MOPSO则在最优集里根据拥挤程度选择一个领导者（自适应网格法），尽量选择不那么密集位置的粒子（均匀分布）。

多目标粒子群算法MOPSO形象理解：
粒子看作50个人，可能潜在的700个解看做700个房间，还没被人打开。
初始：50个人每人随机进一个屋子，这个屋子的各项指标（温度，湿度等）叫做目标函数，这50个人心中都有一个脑子pbest，自己知道哪个屋子最好。
第一次按算法更新：50个人进入下一个房子。下一个房子就是新解，有新的目标函数，如果这个屋子在各项指标都比上一个屋子好，那么pbest就是这个新解了，如果都没上一个好，pbest还是上一个pbest，如果互相不支配，那么随机从新解和pbest里选一个作为下次寻找房子的pbest。 Gbest相当于这50个人有个对讲机，他们每次寻找房子后都互相通气儿，有个全局意义上的最好的房子，为了能把这700个房子都找完，他们要做的就是为gbest设定为不密集的区域的房子（当然这个房子是非劣的房子）。
外部档案集相当于一个外界的笔记本，每次寻找后这50个人告诉了笔记本他们这次找到的10个非劣解房子，和笔记本里记录的30个房子比较下，40个房子里有两个房子被其他房子的目标支配，那么把他们删掉，剩下38个房子。但是笔记本只有30个空间，那么依据拥挤距离删掉8个，剩下30个。那么这样寻找了100回合，最后在外部档案集里就是一个均匀的30个非劣解房子集合，这时候从这30个房子里去多目标决策挑选。