基于粒子群优化的多目标智能算法及应用研究

At present, the intelligent methods for handling multi-objective optimization problems caused scholars to generally concern. The multi-objective intelligent algorithms with applications based on particle swarm optimization is one of the research focus of domestic and foreign.The main content of the study of the project: (1) to improved particle swarm optimization model to be suitable for multi-objective optimization problem and the mixed integer; (2) for multiple objective functions, to construct excellent adaptation metric function to evaluate comprehensively the ability the evolution of the population, and to innovate individual selection rules in the case of non-dominated to each other between the individuals in the population; (3) to explore the mechanisms of dispersion and convergence of approximate approximation Pareto front, especially in the case of mixed integer need more creative research;(4) In the case of constraints, to establish the evolutionary selection mechanism integrated into constraints ‘barrier, and to mix with other evolutionary strategy to construct the dual population co-evolutionary multi-objective particle swarm optimization algorithms; (5) In the case of mixed integer, to design hybrid coding co-evolutionary multi-objective particle swarm optimization algorithms using the other evolution strategy;(6)In the case of high-dimensional decision space to explore dimensionality reduction decomposition pathways and gene level comparative selection strategy;(7) to construct multi-objective production scheduling particle swarm optimization algorithms.The research of the project is important role in promoting the development and application of multi-objective intelligent algorithm.

目前，处理多目标优化问题的智能方法引起了学者们的普遍关注，而基于粒子群优化的多目标智能算法及应用是国内外的研究热点之一。本项目研究的内容有：（1）改近粒子群优化模型，适合多目标优化和混合整数情况；（2）构造优良的适应度度量函数，以综合评价种群的进化能力，探索个体之间互相不可支配的情况下创新个体的选择规则;（3）分别在连续和整数型情况下，探索近似解集逼近Pareto前沿的分散与收敛机制；（4）在有约束的情况下，建立基于约束条件的进化选择机制，混合其他进化策略，构造双种群协同进化的多目标粒子群算法；（5）在混合整数情况下，设计混合编码协同进化策略，融合其他进化技术，实现近似解集均匀分散逼近于Pareto前沿；（6）在高维决策空间的情形下，探索降维分解途径和基因层比较选择策略；（7）应用多目标粒子群优化算法解多目标生产调度问题。本项目的研究将对多目标智能算法的发展及应用有重要的推动作用。

近年来，多目标群智能优化算法及应用研究方兴未艾,是国内外研究的热点和难点之一，得到国内外许多学者的广泛关注，取得了许多较好的研究成果。本项目以基于粒子群优化的多目标智能算法为出发点，对若干群智能算法进行改进，比如粒子群优化算法、鸡群优化算法、差分进化算法、虾群优化算法，以及在多目标规划、混合整数规划中的应用研究。本项目的主要研究内容、重要结果等概述如下： . （1）针对求解多目标问题改进粒子群优化模型，构造近似解集逼近于 Pareto前沿的分散与收敛机制；融入其他进化策略(如自适应学习、分解策略等)，提出了两个多目标粒子群优化算法。完成论文4篇，其中发表论文2篇，都已被SCI检索。 . （2）针对求解众多目标问题，利用Tchebycheff分解和动态更新权重向量策略，建立降维和分解机制，给出个体之间互相不可支配的选择规则，提出两个多目标混合粒子群优化算法。完成论文2篇，其中发表1篇，已被SCI检索。. （3）研究若干群智能算法的改进及其在求解投资组合、生产调度、云计算、路径规划、网络入侵检测等问题中的应用。发表论文13篇，其中发表多目标车间调度问题的GA-PSO算法论文1篇，被EI检索3篇。. （4）对差分进化算法的收敛性以及动态机理展开研究，并且应用于求解路径规划、不均衡数据分类问题，取得较好成果。发表论文5篇，其中被SCI检索2篇。. （5）对鸡群优化算法的收敛性及改进做了详细的研究，并且应用于求解多目标优化问题等，取得较好成果，学生史旭东的硕士学位论文2018年被评为宁夏回族自治区优秀硕士学位论文。发表论文5篇。. （6）针对混合整数规划问题展开研究，设计混合编码策略，构造目标-约束罚多目标优化，给出基于粒子群优化/差分进化的群智能算法。完成论文6篇，其中发表2篇，都已被SCI检索。. （7）研究了人工雨滴算法、头脑风暴算法、人工蜂群算法，并应用于求解电力负荷预测、数字IIR滤波器设计、图像处理等问题。发表论文6篇，其中被SCI检索1篇、EI检索2篇。