计算机科学 ›› 2019, Vol. 46 ›› Issue (11A): 83-88.

• 智能计算 • 上一篇    下一篇

融合自适应差分进化机制的多目标灰狼优化算法

赵云涛, 谌竟成, 李维刚   

  1. (武汉科技大学冶金自动化与检测技术教育部工程研究中心 武汉430081)
  • 出版日期:2019-11-10 发布日期:2019-11-20
  • 通讯作者: 赵云涛(1982-),男,博士,副教授,主要研究方向为多目标优化、进化算法,E-mail:zhyt@wust.edu。
  • 基金资助:
    本文受国家自然科学基金资助项目(51774219)资助。

Multi-objective Grey Wolf Optimization Hybrid Adaptive Differential Evolution Mechanism

ZHAO Yun-tao, CHEN Jing-cheng, LI Wei-gang   

  1. ( Engineering Research Center for Metallurgical Automation and Detecting Technology of Ministry of Education,Wuhan University of Science and Technology,Wuhan 430081,China)
  • Online:2019-11-10 Published:2019-11-20

摘要: 针对灰狼算法易于陷入局部最优问题,提出了一种融合自适应差分进化机制的多目标灰狼优化算法。首先,将外部种群Archive按目标函数值的距离进行分组以避免存储相似个体。其次,设置头狼选择机制,在外部种群中选择头狼。最后,在更新过程中引入差分进化,择优选择下一代灰狼,同时差分进化参数可根据候选解加权目标函数值动态地自适应调整,平衡算法的局部开发与全局探测性能。基于8个多目标测试函数的验证结果表明,提出的多目标灰狼优化算法的收敛性与分布性优于其他3种算法。

关键词: 多目标优化, 灰狼算法, 参数自适应, 差分进化

Abstract: Due to the grey wolf algorithm is easy to fall into local optimum,a multi-objective grey wolf optimization based on adaptive differential evolution mechanism was proposed.Firstly,the external archive is grouped according to the distance of the objective function value to avoid storing similar individuals.Secondly,the selection mechanism of the head wolf is adopted.Finally,differential evolution is introduced into the updating process to select the next generation of grey wolves.At the same time,the parameters of differential evolution are adaptively adjusted according to the objective value of candidate solutions,to balance the local exploitation and the global exploration performance.The experimental results show that the proposed multi-objective grey wolf optimization has better convergence and distribution than the other three algorithms.

Key words: Multi-objective optimization, Grey wolf algorithm, Parametric adaptation, Differential evolution

中图分类号: 

  • TP301.6
[1]王亚辉,吴金妹,贾晨辉.基于动态种群多策略差分进化模型的多目标进化算法[J].电子学报,2016,44(6):1472-1474.
[2]周欢,孟利民,王丽萍,等.动态邻域的分解多目标进化算法[J].小型微型计算机系统,2017(9):2039-2044.
[3]YE H T,LUO F,XU Y G.Differential evolution for solving multi-objective optimization problems:a survey of the state-of-the-art [J].Control Theory & Applications,2013,30(7):922-927.
[4]刘宝,董明刚,敬超.改进的排序变异多目标差分进化算法[J].计算机应用,2018,38(8):2157-2163.
[5]王福才,周鲁平.混合精英策略的元胞多目标遗传算法及其应用[J].电子学报,2015,38(7):1398-1405.
[6]王国豪,李庆华,刘安丰.多目标最优化云工作流调度进化遗传算法[J].计算机科学,2018,45(5):38-44.
[7]章恩泽,陈庆伟.改进的r支配高维多目标粒子群优化算法[J].控制理论与应用,2015,32(5):623-629.
[8]MIRJALILI S,MIRJALILI S M,LEWIS A.Grey wolf optimizer[J].Advances in Engineering Software,2014,69(3),46-61.
[9]陈闯,CHELLAI R,刑尹,等.采用动态权重和概率扰动策略改进的灰狼优化算法[J].计算机应用,2017,37(10):2854-2860.
[10]张悦,孙惠香,魏政军,等.具有自适应调整策略的混沌灰狼优化算法[J].计算机科学,2017,44(11A):120-123.
[11]白建川,夏克文,牛文佳,等.新型灰狼算法的粗糙集属性约简及应用[J].计算机工程与应用,2017,53(24):182-186.
[12]徐辰华,李成县,喻昕,等.基于Cat混沌与高斯变异的改进灰狼优化算法[J].计算机工程与应用,2017,53(4):1-9.
[13]胡小平,曹敬.改进灰狼优化算法在WSN节点部署中的应用[J].传感技术学报,2018,31(5):101-106.
[14]MIRJALILI,SAREMI.Multi-objective grey wolf optimizer:Anovel algorithm for multi-criterion optimization [J].Expert Systems with Applications,2016,47:106-119.
[15]李龙澍,翁晴晴.基于反向学习的自适应差分进化算法[J].计算机应用,2018,38(2):399-404.
[16]赵志伟,杨景明,呼子宇,等.基于角度邻域的多目标差分进化算法[J].控制理论与应用,2017,34(1):22-29.
[17]屈敏,高岳林,江巧永.基于Pareto邻域交叉算子的多目标粒子群优化算法[J].计算机应用,2011,31(7):1789-1792.
[18]侯莹,韩红桂,乔俊飞.基于参数动态调整的多目标差分进化算法[J].控制与决策,2017,32(11):1986-1990.
[1] 全艺璇, 郑嘉利, 罗文聪, 林子涵, 谢孝德. 基于改进型灰狼算法的RFID网络规划[J]. 计算机科学, 2021, 48(1): 253-257.
[2] 张清琪, 刘漫丹. 复杂网络社区发现的多目标五行环优化算法[J]. 计算机科学, 2020, 47(8): 284-290.
[3] 李阳, 李维刚, 赵云涛, 刘翱. 基于莱维飞行和随机游动策略的灰狼算法[J]. 计算机科学, 2020, 47(8): 291-296.
[4] 张志强, 鲁晓锋, 隋连升, 李军怀. 集成随机惯性权重和差分变异操作的樽海鞘群算法[J]. 计算机科学, 2020, 47(8): 297-301.
[5] 侯改, 何朗, 黄樟灿, 王占占, 谈庆. 基于差分进化的金字塔演化策略求解一维下料问题[J]. 计算机科学, 2020, 47(7): 166-170.
[6] 郑友莲, 雷德明, 郑巧仙. 求解高维多目标调度的新型人工蜂群算法[J]. 计算机科学, 2020, 47(7): 186-191.
[7] 赵松辉, 任志磊, 江贺. 软件升级问题的多目标优化方法[J]. 计算机科学, 2020, 47(6): 16-23.
[8] 夏春艳, 王兴亚, 张岩. 基于多目标优化的测试用例优先级排序方法[J]. 计算机科学, 2020, 47(6): 38-43.
[9] 孙敏, 陈中雄, 叶侨楠. 云环境下基于HEDSM的工作流调度策略[J]. 计算机科学, 2020, 47(6): 252-259.
[10] 李章维,王柳静. 基于群体分布的自适应差分进化算法[J]. 计算机科学, 2020, 47(2): 180-185.
[11] 周文祥, 乔学工. 基于能量优化的无线传感器网络任播路由算法[J]. 计算机科学, 2020, 47(12): 291-295.
[12] 王绪亮, 聂铁铮, 唐欣然, 黄菊, 李迪, 闫铭森, 刘畅. 流式数据处理的动态自适应缓存策略研究[J]. 计算机科学, 2020, 47(11): 122-127.
[13] 王瑄, 毛莺池, 谢在鹏, 黄倩. 基于差分进化的推断任务卸载策略[J]. 计算机科学, 2020, 47(10): 256-262.
[14] 董明刚,刘宝,敬超. 模糊自适应排序变异多目标差分进化算法[J]. 计算机科学, 2019, 46(7): 224-232.
[15] 倪洪杰, 彭春祥, 周晓根, 俞立. 一种阶段性策略自适应差分进化算法[J]. 计算机科学, 2019, 46(6A): 106-110.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 雷丽晖,王静. 可能性测度下的LTL模型检测并行化研究[J]. 计算机科学, 2018, 45(4): 71 -75 .
[2] 孙启,金燕,何琨,徐凌轩. 用于求解混合车辆路径问题的混合进化算法[J]. 计算机科学, 2018, 45(4): 76 -82 .
[3] 张佳男,肖鸣宇. 带权混合支配问题的近似算法研究[J]. 计算机科学, 2018, 45(4): 83 -88 .
[4] 伍建辉,黄中祥,李武,吴健辉,彭鑫,张生. 城市道路建设时序决策的鲁棒优化[J]. 计算机科学, 2018, 45(4): 89 -93 .
[5] 史雯隽,武继刚,罗裕春. 针对移动云计算任务迁移的快速高效调度算法[J]. 计算机科学, 2018, 45(4): 94 -99 .
[6] 周燕萍,业巧林. 基于L1-范数距离的最小二乘对支持向量机[J]. 计算机科学, 2018, 45(4): 100 -105 .
[7] 刘博艺,唐湘滟,程杰仁. 基于多生长时期模板匹配的玉米螟识别方法[J]. 计算机科学, 2018, 45(4): 106 -111 .
[8] 耿海军,施新刚,王之梁,尹霞,尹少平. 基于有向无环图的互联网域内节能路由算法[J]. 计算机科学, 2018, 45(4): 112 -116 .
[9] 崔琼,李建华,王宏,南明莉. 基于节点修复的网络化指挥信息系统弹性分析模型[J]. 计算机科学, 2018, 45(4): 117 -121 .
[10] 王振朝,侯欢欢,连蕊. 抑制CMT中乱序程度的路径优化方案[J]. 计算机科学, 2018, 45(4): 122 -125 .