多目标萤火虫算法采用整体维度更新策略,常因某几维变量上优化效果不佳,导致算法收敛速度慢和寻优精度低。针对上述问题,本文提出基于决策变量分组优化的多目标萤火虫算法(multi-objective firefly algorithm with group optimization o...多目标萤火虫算法采用整体维度更新策略,常因某几维变量上优化效果不佳,导致算法收敛速度慢和寻优精度低。针对上述问题,本文提出基于决策变量分组优化的多目标萤火虫算法(multi-objective firefly algorithm with group optimization of decision variables,MOFA-GD)。引入决策变量分组机制,根据各变量对算法性能的不同影响,将整体决策变量划分成收敛性变量组和多样性变量组;设计决策变量分组优化模型,利用学习行为优化收敛性变量组,加快种群收敛速度,非均匀变异算子优化多样性变量组,避免种群过早收敛,逐渐减小的变异幅度引导种群局部开发,提升算法寻优精度;采用档案截断策略维护外部档案,精准删除拥挤个体,从而保持外部档案的多样性。实验结果表明:MOFA-GD表现出优秀的收敛速度和寻优精度,获得了均匀分布的Pareto解集。本文所提算法为求解多目标优化问题提供了一种高效且可靠的解决方案。展开更多
文摘多目标萤火虫算法采用整体维度更新策略,常因某几维变量上优化效果不佳,导致算法收敛速度慢和寻优精度低。针对上述问题,本文提出基于决策变量分组优化的多目标萤火虫算法(multi-objective firefly algorithm with group optimization of decision variables,MOFA-GD)。引入决策变量分组机制,根据各变量对算法性能的不同影响,将整体决策变量划分成收敛性变量组和多样性变量组;设计决策变量分组优化模型,利用学习行为优化收敛性变量组,加快种群收敛速度,非均匀变异算子优化多样性变量组,避免种群过早收敛,逐渐减小的变异幅度引导种群局部开发,提升算法寻优精度;采用档案截断策略维护外部档案,精准删除拥挤个体,从而保持外部档案的多样性。实验结果表明:MOFA-GD表现出优秀的收敛速度和寻优精度,获得了均匀分布的Pareto解集。本文所提算法为求解多目标优化问题提供了一种高效且可靠的解决方案。
