基于反向学习和种群引导的多目标蝗虫优化算法*

邵鸿南,梁 倩,王李森,马云鹏,项贤鹏

(1.东北财经大学统计学院,辽宁 大连 116000;2.哈尔滨商业大学经济学院，黑龙江 哈尔滨 150000)

1 引言

多目标优化是多准则决策的分支领域，它是涉及多个目标函数同时优化的数学问题。多目标优化不可能使所有的目标都达到最优值，需要在多个相互冲突的目标之间进行权衡，做出最优决策。因此，对于多目标的研究十分重要，应该设计更多的优化算法以解决实际问题。

国内对于蝗虫优化算法GOA(Grasshopper Optimization Algorithm)的研究主要是将算法与其他模型结合并应用在工程问题当中。张伍等[1]采用了二进制版本的蝗虫特征选择法，将蝗虫优化算法与多核模糊粗糙集模型相结合，提出了模糊粗糙集蝗虫优化算法FRSGOA (Fuzzy Rough Set Grasshopper Optimization Algorithm)。陈冬[2]在标准蝗虫优化算法的基础上提出了一种正余弦混沌蝗虫优化算法SCCGOA (Sine Cosine Chaotic Grasshopper Optimization Algorithm)。该算法先由GOA算法搜寻到当前最优位置，之后在该位置进行混沌局部搜索，将正余弦搜索机制引入到混沌变量的波仔映射中。赵然等[3]将Levy随机飞行引入蝗虫优化算法，提高了局部搜索的能力，又加入了线性递减参数的随机突变策略，提出了一种基于 Levy飞行的改进蝗虫优化算法 LBGOA (Grasshopper Optimization Algorithm Based on Levy flight)。

国外对于蝗虫优化算法的研究开始得比较早。Mirjalili等[4]提出了多目标蝗虫优化算法MOGOA(Multi-Objective Grasshopper Optimization Algorithm)，用外部档案来保存帕累托最优解，然后利用轮盘赌选择引导者，在多种测试函数上都表现优异。Talaat等[5]结合多层前馈神经网络和蝗虫优化算法，使用组合模型进行高精度的负荷预测，实验结果表明GOA的引入能够大幅度提升模型的准确性。……