一种新颖的基于双档案机制的多目标混沌粒子群优化算法

摘要

为了解决多目标优化问题中寻找折中最优解集的同时兼顾解集的收敛性与多样性的国际难点,提出一种基于双档案机制的多目标混沌粒子群优化算法(a multi-objective chaotic particle swarm optimization-diversity archive,CMOPSO-DA)。建立收敛性档案(convergence archive,CA)和多样性档案(diversity archive,DA),针对粒子群的收敛性和多样性指标进行粒子群的迭代更新;对来自CA或DA的粒子应用遗传算子构建全局最优解,提高全局最优解的优化质量;引入混沌寻优,提高算法的局部搜索能力,使最优解集更趋近于Pareto解集。在5个国际经典基准函数上,与3种代表性的多目标优化算法进行了详细的比较研究,测试结果表明,CMOPSO-TA算法在兼顾最优解集的收敛性与多样性方面具有极大的优势,可以解决多目标优化问题。

关键词

多目标粒子群优化 / 双档案机制 / 混沌寻优 / 收敛性与多样性 / Pareto最优解集