江苏大学学报(自然科学版)

作者：韩飞，郑明鹏

单位：1. 江苏大学 计算机科学与通信工程学院, 江苏 镇江 212013; 2. 江苏大学 江苏省工业网络空间安全技术重点实验室, 江苏 镇江 212013

关键词： 粒子群优化算法, 多目标优化,  进化算法, 三方竞争机制, 反向学习, Pareto前沿

基金：国家自然科学基金资助项目(61976108, 61572241)

针对传统多目标粒子群优化算法容易早熟的问题，提出一种基于三方竞争机制的反向多目标粒子群优化算法(MOPSOTCOL).该算法利用当前种群在每一代中选择的三方竞争者来引导种群进化，这能够有效减少维护外部存档时的计算成本.在每次竞争中，MOPSOTCOL从种群中随机挑选3个粒子进行比较，并基于不同的策略分别进行更新，这有利于保持种群的多样性.提出了一种基于反向学习策略的渐进式粒子更新方式，部分粒子进行反向学习以避免算法陷入局部最优，其他粒子通过向指定的更优粒子学习进行更新以加强收敛性.将所提出算法与8个多目标优化算法在14个标准测试函数上进行了性能比较试验.结果表明MOPSOTCOL算法在多样性和收敛性上具有显著优势，且具有更快的收敛速度.

来源：2021年第6期

《江苏大学学报(自然科学版)》期刊编辑部

查看江苏大学学报(自然科学版)杂志2021年第6期