多目标粒子群算法的影响因素及改进策略

鲁欣欣　王淮冬

摘 要：粒子群算法独特的運算结构和出色的收敛速度被用于各行各业解决优化问题。如今生产模式智能化的速度加快，单目标的粒子群算法已经无法满足各行业对算法优化的需求，粒子群算法的多目标优化应运而生，通过对算法改进实现了粒子群算法解决多目标优化问题，但解决多目标优化的同时，影响粒子群算法的因素也增多了。文章重点介绍了多目标粒子群算法的影响因素和改进策略。

关键词：粒子群算法;多目标;改进策略

0   引言

多目标粒子群算法在解决多变量的优化问题时也加大了算法本身的运算难度，并且影响运算结果的因素也多于单目标粒子群算法。本文主要对多目标粒子群算法的影响因素进行研究阐述，并介绍改进办法。对多目标粒子群算法运算中遇到主要问题进行分析，并介绍几种解决算法问题的方法和途径。

1 基本粒子群算法

PSO基于群体的随机优化，通过一组随机解初始化，通过迭代搜寻最优解。PSO模拟社会，每个可能产生的解表述成群里的一个微粒，每个粒子有属于自己的最佳速度和最佳位置，以及一个由目标函数决定的适应度。所有粒子在搜索空间中以一定速度飞行或在规定的速度范围变速飞行，以最快的速度追随当前空间内搜寻到的最优值来确定全局最优值[1]。具体算法的流程如图1所示。

速度更新公式为：

vi（t）=w*vi-1（t-1）+c1*r1（xpbest（t-1）-xi（t-1））+c2*r2（xgbest（t-1）-xi（t-1））

位置更新公式为：

xi（t）=xi（t-1）+vi（t）

公式中各算子的含义：

（1）w：惯性权重（为大于零的数，w越接近0，收敛优化越快，取值范围一般为[0.4，0.8]）。……