文献类型：期刊文章

作　　者：汤可宗[1] 李佐勇[2] 詹棠森[1] 李芳[1] 姜云昊[1]

Tang Kezong;Li Zuoyong;Zhan Tangsen;Li Fang;Jiang Yunhao(School of Information Engineering,Jingdezhen Ceramic Institute,Jingdezhen 333403,China;Industrial Robot Application of Fujian University Engineering Research Center,Minjiang University,Fuzhou 350108,China)

机构地区：[1]景德镇陶瓷大学信息工程学院,江西景德镇333403 [2]工业机器人应用福建省高校工程研究中心闽江学院,福建福州350108

出　　处：《南京理工大学学报》

基　　金：国家自然科学基金(61662037,71763013);江西省杰出青年人才计划资助(20171bcb23069);江西省教育厅科技项目(GJJ170764);江西省青年科学基金项目(2016BAB212042);工业机器人应用福建省高校工程研究中心开放基金资助(MJUKF-IRA201808)

年　　份：2019

卷　　号：43

期　　号：4

起止页码：439-446

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD_E2019_2020、EI、IC、INSPEC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：为提高多目标优化算法的收敛性和多样性,提出一种基于Pareto关联度支配的多目标粒子群优化算法(MOPSO-PCD)。该算法在严格遵守传统Pareto支配规则基础上,将灰色关联分析方法融入非劣支配解的进化过程,设计了一种新颖的Pareto关联度支配规则。该支配规则作用于全局最优粒子的选择过程,具有关联度最大的全局最优粒子将引领粒子群体向着真实Pareto前沿不断逼近。同时,将该支配规则应用于外部档案中非劣支配解的维护过程,可减少或避免最终解集多样性的损失,从而维护好外部档案中非劣解的分布过程。仿真实验表明,与被比较算法在ZDT和DTLZ等系列测试函数相比,MOPSO-PCD能够获得更好的Pareto最优前沿分布特性和较快的收敛效率。

关 键 词：多目标优化 粒子群优化 PARETO支配 关联度  多样性  

分 类 号：TP391.41]