针对多目标萤火虫算法在解决高维多目标优化问题时存在Pareto支配失效、寻优能力弱和收敛速度慢的问题,提出了参考点引导和多策略协同的高维多目标萤火虫算法(many-objective firefly algorithm based on reference point guidance and ...针对多目标萤火虫算法在解决高维多目标优化问题时存在Pareto支配失效、寻优能力弱和收敛速度慢的问题,提出了参考点引导和多策略协同的高维多目标萤火虫算法(many-objective firefly algorithm based on reference point guidance and multiple cooperative strategies,Ma OFA-RR).该算法在目标空间中预设一组均匀分布的参考点,通过萤火虫与参考点之间的距离关系,划分出引导萤火虫和普通萤火虫,以取代Pareto支配,增大选择压力;使用3种进化策略对萤火虫进行位置更新,引导萤火虫对局部空间进行探索,普通萤火虫根据距离阈值分别向引导萤火虫学习或对全局空间进行探索,提升算法的寻优能力和收敛速度;最后,算法融合反向学习思想,扩大种群搜索范围,提高发掘更优解的可能.将Ma OFA-RR与8种新近高维多目标进化算法进行比较,实验结果表明,Ma OFA-RR在处理高维多目标优化问题时具有高效的性能.展开更多
文摘针对多目标萤火虫算法在解决高维多目标优化问题时存在Pareto支配失效、寻优能力弱和收敛速度慢的问题,提出了参考点引导和多策略协同的高维多目标萤火虫算法(many-objective firefly algorithm based on reference point guidance and multiple cooperative strategies,Ma OFA-RR).该算法在目标空间中预设一组均匀分布的参考点,通过萤火虫与参考点之间的距离关系,划分出引导萤火虫和普通萤火虫,以取代Pareto支配,增大选择压力;使用3种进化策略对萤火虫进行位置更新,引导萤火虫对局部空间进行探索,普通萤火虫根据距离阈值分别向引导萤火虫学习或对全局空间进行探索,提升算法的寻优能力和收敛速度;最后,算法融合反向学习思想,扩大种群搜索范围,提高发掘更优解的可能.将Ma OFA-RR与8种新近高维多目标进化算法进行比较,实验结果表明,Ma OFA-RR在处理高维多目标优化问题时具有高效的性能.
