Internationale Zeitschrift für Schwarmintelligenz und Evolutionsberechnung

Abstrakt

Mehrziel-Partikelschwarmoptimierung mit Gradientenabstiegssuche

Li Ma und Babak Forouraghi*

Die Partikelschwarmoptimierung (PSO) hat sich als zuverlässige Methode zur Lösung vieler Arten von Optimierungsproblemen erwiesen. Insbesondere bei der Lösung von multiobjektiven PSO-Optimierungsproblemen (MOPSO) muss der Parameterauswahl und Implementierungsstrategie besondere Aufmerksamkeit gewidmet werden, um die Leistung des Optimierers zu verbessern. In diesem Artikel wird eine neuartige MOPSO mit verbesserter lokaler Suchfunktion vorgeschlagen. Ein neuer Parameter-loser Sharing-Ansatz wird eingeführt, um die Dichte der Partikelnachbarschaft im Suchraum zu schätzen. Zunächst bestimmt die vorgeschlagene Methode den Überfüllungsfaktor der Lösungen genau; in späteren Phasen führt sie den gesamten Schwarm effektiv dazu, nahe an der wahren Pareto-Front zu konvergieren. Darüber hinaus verwendet der Algorithmus die lokale Suchmethode des Gradientenabstiegs, um den Pareto-optimalen Bereich besser zu erkunden. Die Leistung des Algorithmus bei mehreren Testfunktionen und einem technischen Designproblem wird berichtet und mit anderen Ansätzen verglichen. Die erzielten Ergebnisse zeigen, dass der vorgeschlagene Algorithmus in der Lage ist, effektiv entlang der Pareto-optimalen Front zu suchen und die Kompromisslösungen zu identifizieren.