基于速度约束和全局多样性的MOPSO算法

摘要

针对多目标优化给传统多目标粒子群算法(Multi-objective Particle Swarm Optimization,MOPSO)带来的收敛速度慢、解分布不均导致算法多样性差的问题,提出一种基于速度约束(Speed-constraints)和全局多样性(Global Diversity)的MOPSO算法。利用粒子速度更新过程中引入新的速度引导方向并融入收缩控制因子来增强粒子的全局搜索能力和局部开发能力;通过精英库中非支配解的多样性信息评估最优解的分布状态,设计全局最优解选择机制自适应选择最优解,提高算法的多样性。实验结果表明,与其它现有算法相比较,上述算法反向代距离和超体积均有明显改善,获得的可行性解更均匀地分布到Pareto前沿。