多目标优化学习笔记3：PSO多目标优化的几种思路

PSO算法中的信息是由最好的粒子给出的，其他个体跟着最好粒子快速向一点收敛，因此直接用PSO算法处理多目标优化问题，将很容易收敛于非劣最优域的局部区域。

因此提出了几种解决思路：
1，向量法和权重法
Parsopoulos 等采用三种方法即固定权重法、适应性权重法和向量评价法。采用矢量评价遗传算法的思想。该方法可以很好的结果，但是并没有给出结果的定量分析。一般情况下适合的权重值很难获得。

2，基于Pareto的方法
Ray等人通过将PSO算法和Pareto排序机制想结合起来。采用Pareto排序法来选择一组精英解，全局最优粒子的选择则是采用轮盘赌方式从中选择。实际运行时，只有少量的个体选择概率大，种群多样性保持不好。
Coello等在PSO算法中选择群体最佳位置则是通过引入Pareto竞争机制和微粒知识库。该知识库用于存储微粒在每次飞行循环后的飞行经验，知识库的更新是通过考虑一个基于地理学的系统，该系统是就每个微粒的目标函数值而言来定义的。这个知识库被微粒用来确定一个指导搜索的领导者。同时非劣解的确定是通过将候选个体与从种群中随机选出的比较集进行比较，因此比较集的参数对算法成功与否有着至关重要的影响。若参数过大，则容易发生早熟收敛的现象，而参数过小，则种群中选出的非劣解的数量可能过少。

3，距离法
Mostaghim等所分配的适应值是根据个体当前解与Pareto解之间的距离来确定的，算法根据此适应值来选择群体最佳位置。距离法依赖于初始化潜在解，当初始潜在解过大时，将会导致不同解的适应值的差别不明显，从而会影响PSO算法的收敛速度。

4，邻域法
Hu等提出的算法的选择策略是基于动态邻域的，在这个算法中，使用一个类似于词典排序的策略，一次只能对一个目标寻优。其本质还是用一维的方法来处理多个目标。

5，多种群法
Pulido等将整个种群划分成许多个子种群，在算法迭代运行的过程中，采用PSO算法对每个子种群单独进行运算，而搜索Pareto最优解则是通过各个子种群之间的信息交换来实现的。但同时由于微粒数目的增加对算法的计算量也造成了影响。

6，非优势排序法
Li的算法选择群体最佳位置的方法是采用非优势排序的方法。通过比较微粒的自身最佳位置及其后代，以便于提供合适的选择压力。而种群多样性的提高则是采用小生境技术。但是，算法所采用的将所有微粒的自身最佳位置与其后代的比较，这样对种群多样性的形成不利，且算法易早熟收敛。

参考文献：1.刘兰霞.多目标粒子群优化算法研究[D].湖南科技大学