基于量子行为的多目标粒子群优化算法的研究及其应用

论文摘要

粒子群优化算法（PSO）作为一种高效的群体智能算法,凭借其快速的收敛速度和良好的收敛精度,被广泛用于解决各种不同的优化问题。近年来,大量的研究与改进使得粒子群优化算法在处理单目标优化问题（SOPs）时表现出卓越的性能。但由于多目标优化问题（MOPs）具有较高的复杂性,且传统的粒子群优化算法的搜索方式随机性和智能性较低,随着目标数和决策变量维数的增加,算法的性能会急剧降低。微观世界粒子的运动规律——量子行为具有很强的不确定性,有利于提高算法的寻有能力。因此,本文将量子行为引入多目标粒子群优化算法（MOPSO）,提出两种改进算法分别用于解决多目标函数优化问题和基因选择问题。本文的主要工作如下:（1）针对传统多目标粒子群优化算法在处理复杂多目标优化问题时多样性和收敛性较差的缺陷,提出一种基于双重搜索和循环迁移机制的多目标量子行为粒子群优化算法（MOQPSO-DSCT）。首先,提出一种双重搜索策略来取代量子行为粒子群优化算法单一的搜索模式,使粒子在进化前期主要向它们的个体最优位置学习,而在进化后期主要向全局最优位置学习,平衡了种群的探索与开发能力,提升了解集的多样性;其次,为了避免粒子在进行局部搜索时陷入局部最优,当粒子的个体最优位置和全局最优位置相同时,使用反向学习构造反向吸引子,提升了粒子跳出局部最优的能力;最后,将循环迁移机制引入外部存档,使得外部存档中的任意两个粒子,能够通过每一维位置信息的互换和迁移,重组成新的粒子,极大地增强了外部存档中的粒子的信息交流能力。在八个测试函数上的实验表明,该算法能够产生精度更高且分布更好的非支配解集。（2）针对传统多目标粒子群优化算法在处理实际问题时无法表达决策者偏好这一缺陷,提出了一种基于决策偏好的二进制MOQPSO-DSCT算法（PAG-MOBQPSO-DSCT）,并将该算法应用于基因选择中。首先,使用分类信息指数（IIC）对原始数据集进行初步过滤,根据基因-类别灵敏度信息（GCSI）对粒子进行二进制编码,基于分类准确度和基因子集的规模设计多目标优化模型;然后,引入Hamming距离重新定义粒子的位置矢量和粒子之间的距离,使算法能够处理离散空间优化问题,并将一种基于决策偏好的网格引入MOQPSO-DSCT算法,定义一种能够表达决策者偏好的适应度函数计算每个网格的适应度值,再根据网格的适应度值计算网格的概率,使用轮盘赌算法选择全局最优和维护存档,使得粒子能够在决策者感兴趣的区域进行搜索;最后,将极限学习机（ELM）作为分类器,验证所选基因子集的分类准确率。在五个癌症基因表达谱数据集上的实验表明,该方法能够获得分类准确率更高且规模较小的基因子集。

论文目录

文章来源

类型: 硕士论文

作者: 孙郁闻天

导师: 韩飞

关键词: 多目标优化,粒子群优化算法,双重搜索,循环迁移机制,决策偏好,基因选择

来源: 江苏大学

年度: 2019

分类: 基础科学,信息科技

专业: 物理学,自动化技术

单位: 江苏大学

分类号: TP18;O413

总页数: 76

文件大小: 2626K

下载量: 126

相关论文文献

• [1].粒子群优化算法在港口船舶物流中的应用[J]. 舰船科学技术 2020(04)
• [2].求解电力系统经济调度问题的改进粒子群优化算法[J]. 控制与决策 2020(08)
• [3].基于改进粒子群优化算法的溶解氧调控系统设计[J]. 传感器与微系统 2020(06)
• [4].基于改进粒子群优化算法的微电网经济调度研究[J]. 上海电气技术 2020(02)
• [5].粒子群优化算法[J]. 软件 2020(05)
• [6].基于扩容和双距离决策的多目标粒子群优化算法[J]. 重庆邮电大学学报(自然科学版) 2020(03)
• [7].改进粒子群优化算法及其在聚类分析中应用[J]. 系统仿真学报 2020(08)
• [8].优质个体最优动态空间变异的粒子群优化算法[J]. 计算机应用研究 2020(08)
• [9].基于自适应粒子群优化算法的无人机三维航迹规划[J]. 海军航空工程学院学报 2020(03)
• [10].基于并行结构的多种群粒子群优化算法[J]. 传感器与微系统 2020(09)
• [11].融入社会影响力的粒子群优化算法[J]. 计算机科学与探索 2020(11)
• [12].基于改进粒子群优化-反向传播神经网络的制造业产能预测[J]. 机械制造 2019(03)
• [13].层次学习骨干粒子群优化算法[J]. 控制与决策 2016(12)
• [14].一种面向网络边缘任务调度问题的多方向粒子群优化算法[J]. 计算机应用与软件 2017(04)
• [15].基于粒子群优化的组播路由算法研究[J]. 信息与电脑(理论版) 2017(10)
• [16].改进的粒子群优化算法的研究[J]. 科技创新与生产力 2017(09)
• [17].一种改进的粒子群优化算法[J]. 陕西师范大学学报(自然科学版) 2016(02)
• [18].改进惯性权重的简化粒子群优化算法[J]. 湖北民族学院学报(自然科学版) 2016(01)
• [19].粒子群优化算法基本研究[J]. 科技经济导刊 2016(21)
• [20].中心粒子群优化算法[J]. 电子测试 2014(23)
• [21].基于粒子群优化算法的器件模型表面势求解[J]. 计算机时代 2015(03)
• [22].具有反向学习和自适应逃逸功能的粒子群优化算法[J]. 计算机应用 2015(05)
• [23].基于不同学习模型的精英反向粒子群优化算法[J]. 小型微型计算机系统 2015(06)
• [24].改进惯性权重的粒子群优化算法[J]. 河西学院学报 2020(05)
• [25].基于粒子群优化算法的算法实现及建筑生形——模拟鸟类觅食形态的建筑雏形设计[J]. 华中建筑 2020(02)
• [26].基于动态种群的双重学习粒子群优化算法[J]. 南昌工程学院学报 2020(01)
• [27].基于博弈机制的多目标粒子群优化算法[J]. 计算机工程与设计 2020(04)
• [28].求解特征值互补问题的基本粒子群优化算法[J]. 内蒙古民族大学学报(自然科学版) 2020(03)
• [29].进化状态判定与学习策略协同更新的二进制粒子群优化算法[J]. 浙江工业大学学报 2020(05)
• [30].粒子群优化算法中惯性权重改进策略综述[J]. 渤海大学学报(自然科学版) 2019(03)

标签：多目标优化论文;  粒子群优化算法论文;  双重搜索论文;  循环迁移机制论文;  决策偏好论文;  基因选择论文;