面向多目标优化的群智能算法研究论文(PDF 70页）

图1．1多目标优化的发展历程⋯⋯⋯⋯⋯．．4
图2．1 PSo借助群居生物寻优原理图⋯⋯．8
图2．2粒子群算法流程图⋯10
图2．3蚁群路径搜索原理⋯ll
图3．1目标空间的Pareto最优解和最优前沿⋯⋯⋯⋯．．1 8
图3．2优化与决策的系统构成图⋯⋯⋯⋯l 9
图3．3从决策的观点对多目标优化方法分类⋯⋯⋯⋯⋯20
图4．1测试函数三上的Pareto最优解⋯．33
图4．2测试函数四上的Pareto最优解⋯．33
图4．3算法在测试函数五上比较⋯⋯⋯⋯34
图4．4算法在测试函数六上比较⋯⋯⋯⋯34
图5．1 N．EPSo算法流程⋯．．38
图5．2 N．EPSo与文献【48】中算法的迭代曲线比较⋯⋯4l
图5．3改进的算法流程⋯⋯43
图5．4三个算法运行l 00次的迭代曲线图⋯⋯⋯⋯⋯⋯44
图5．5种群大小为50的曲线图⋯⋯⋯⋯．．45
图5．6种群大小为20的曲线图⋯⋯⋯⋯．．45
图5．7新算法在ulysses22上迭代曲线图⋯⋯⋯⋯．．．⋯⋯46
图6．1求解多目标TSP的算法流程图⋯．48
图6．2各算法求得的Pareto最优解分布情况⋯⋯⋯⋯．．50
图6．3城市数目为20的测试结果⋯⋯⋯．．5 l
图6．4城市数目为30的测试结果⋯⋯⋯．．5 1
图6．5城市数目为50的测试结果⋯⋯⋯．．52
表4．1本文算法与MOPSo的参数设置．．30
表4．2不同算法的解分布情况比较⋯⋯⋯32
表4．3不同算法的覆盖指标C的比较⋯．32
表5．1口和∥取不同值时收敛代数统计⋯39
表5．2实验参数设置⋯⋯⋯．40
表5．3两种算法的搜索效率比较⋯⋯⋯⋯40
表5．4三个算法运算l 00次的收敛比率和运算时间⋯43
表5．5算法参数设置⋯⋯⋯．44
表5．6种群大小为50的实验结果⋯⋯⋯．．45
表5．7种群大小为20的实验结果⋯⋯⋯．．46
表5．8 ulysses22问题上的统计结果⋯⋯⋯46
表6．1各算法找到的Pareto最优解⋯⋯．．49
表6．2各算法在覆盖指标C上的比较⋯．49
表6．3实验二的参数设置⋯5l
..............................