文档介绍：基于多目标优化的粒子群算法研究
学 位 申 请 人 蒋 浩
导师姓名及职称 郑 金 华 教授
学 院 名 称 信息工程学院
学 科 专 业 计算机应用技术
研 究 方 向 计 算 智 能
学位申请级别 工 学 硕 士
学位授予单位 湘 潭 大 学
论文提交日期 二零零六年 五月
The Research on Particle Swarm
Optimization Algorithm For Multi-Objective
Optimization
Candidate Jiang Hao
Supervisor and Rank Prof. Zheng Jinhua
College Institute of Information Engineering
Program Computer Application Technology
Specialization Computational Intelligence
Degree Master of Engineering
University Xiangtan University
Date May, 2006
摘 要
多目标优化是优化问题的主要研究领域之一，因为多目标优化问题在实际应
用中非常普遍，因此，解决多目标优化问题是一个非常有实际意义和科研价值的
课题。而用传统方法解决此类问题有很多限制，但是随着进化算法的发展，解决
多目标优化问题的多目标进化算法（MOEA）在过去的十年中取得了很好的研究
成果，其中最有代表性的多目标进化算法包括：NSGA2 和 SPEA2 等。
此外，Kennedy 和 Eberhart 在 1995 年提出一类新的优化算法——粒子群优
化算法（PSO），这种新算法启发于鸟类、虫、鱼群等物种的群体捕食行为。由
于其简单有效，随后得到了广泛的关注，同时其在解决单目标优化问题时表现出
来的良好特性也非常适合求解多目标优化问题。目前，国内外已有部分相关研究
成果，但是它们在解集分布性、收敛性方面仍存在不足，在吸取已有成果的基础
上，本文提出了一种改进的多目标粒子群算法（MOPSO），使用我们提出的强ε
支配概念构造外部种群，使解集保持良好的分布性，同时，通过采用新的全局极
值和个体极值的选取方式及采用新的种群更新策略加快解集的收敛，提出基于快
速排序的非支配集构造方法加快算法运行效率。通过使用一系列标准的测试函数
进行实验，实验结果表明该算法在保持解集分布性和收敛性方面非常有效，且实
现简单、表现稳定，是解决多目标优化的有效途径。
关键词：多目标优化；多目标进化算法；粒子群优化；多目标粒子群优化算法
I
Abstract
Multi-objective optimization problem (MOP) is one of the most important