動態(tài)環(huán)境下微粒群優(yōu)化算法的研究及應用.pdf

1、動態(tài)優(yōu)化問題（Dynamic Optimization Problem，簡稱DOP）是現(xiàn)實社會中普遍存在的一類實際優(yōu)化問題。相對于靜態(tài)優(yōu)化問題而言，DOP的目標函數(shù)或者約束條件會隨著時間而變化。近年來，利用進化算法求解動態(tài)優(yōu)化問題逐漸成為新的研究熱點。微粒群優(yōu)化算法（Particle Swarm Optimization，簡稱PSO）也稱為粒子群優(yōu)化算法，屬于進化算法的一個分支，它模擬了生物界中鳥群、魚群等群體性動物的覓食行為，具有算法

2、簡單、魯棒性強等優(yōu)點，在多個領域得到了成功的應用。PSO算法在靜態(tài)優(yōu)化問題中的研究已趨于成熟，且擁有良好的性能，但在動態(tài)優(yōu)化問題中的研究還不夠完善。
　　論文主要研究了PSO算法在求解動態(tài)優(yōu)化問題過程中如何探測和響應環(huán)境的變化以及如何保持種群的多樣性。論文的主要工作如下：
　　①對離散動態(tài)優(yōu)化問題，本文提出了一種求解動態(tài)背包問題的離散微粒群優(yōu)化算法（Dynamic Set-based Discrete PSO，簡稱DSDPS

3、O）。DSDPSO算法是在求解集合組合問題的離散粒子群優(yōu)化模型的基礎上，引入了環(huán)境變化的探測以及環(huán)境變化后的響應機制。將DSDPSO算法和經(jīng)典的自適應原對偶遺傳算法在兩個動態(tài)背包問題上進行對比實驗。實驗結(jié)果表明，DSDPSO算法在環(huán)境變化后能迅速找到最優(yōu)解并穩(wěn)定下來，并且找到的最優(yōu)解為該重量約束下的標準最優(yōu)解；在尋優(yōu)時間上，DSDPSO算法的尋優(yōu)時間約為與之比較的算法的尋優(yōu)時間的0.5~0.7倍。因此，DSDPSO算法更適合于求解動態(tài)背

4、包問題。
　?、趯B續(xù)動態(tài)優(yōu)化問題，本文提出了一種基于記憶機制的聚類微粒群優(yōu)化算法（Memory-based Clustering PSO，簡稱MCPSO）。當微粒群中出現(xiàn)某個個體的當前適應度高于其歷史最優(yōu)適應度時，將該個體中包含的有用信息傳遞給其余個體，為此，在MCPSO算法中改進了微粒群的學習更新機制。為了保持種群的多樣性，在MCPSO算法中將記憶機制和多種群方法相結(jié)合，以便在環(huán)境變化后微粒群能有效地對搜索空間進行探索。為了讓

5、微粒群能在環(huán)境變化后及時做出響應，在MCPSO算法中引入了環(huán)境變化的探測以及環(huán)境變化后的響應機制。用標準動態(tài)優(yōu)化測試問題——移動峰函數(shù)問題對算法進行驗證，實驗結(jié)果表明，MCPSO算法具有良好的魯棒性以及較強的尋優(yōu)能力。將MCPSO算法和經(jīng)典的基于物種的微粒群優(yōu)化算法進行對比實驗，實驗結(jié)果表明，MCPSO算法的離線誤差明顯小于與之比較的算法的離線誤差。
　?、蹖⑻岢龅腄SDPSO和MCPSO算法分別應用于求解中國郵政的郵件配送問題和