29、静态环境下的异构向量评估粒子群优化

静态环境下的异构向量评估粒子群优化

1. 引言

优化是在给定约束条件下寻找某一函数最优解的过程。群体智能（SI）算法是基于对群体或群落中个体行为研究的优化算法。粒子群优化（PSO）是一种基于群体的随机SI算法，它模拟了鸟群的社会行为。在PSO中，个体被称为粒子，群体被称为粒子群。每个粒子的行为受其位置和速度的影响，当粒子的位置和速度更新时，它会在搜索空间中移动。

当粒子群中的所有粒子使用相同的位置和速度更新方程时，这种PSO被称为同质PSO；若粒子使用不同的方法更新其位置和速度，则被称为异构PSO（HPSO）。现实世界中的大多数问题由多个相互冲突的目标定义，需要同时优化多个目标。向量评估粒子群优化（VEPSO）算法基于向量评估遗传算法（VEGA）开发，它使用子群，每个子群只解决一个目标，并通过在粒子的速度更新中使用这些知识来实现子群之间的知识共享，这种知识共享的方法被称为知识转移策略（KTS）。

基本PSO算法收敛速度快，但缺乏多样性维护。异构VEPSO（HVEPSO）试图通过增加粒子行为的多样性来平衡探索（在整个搜索空间中搜索）和利用（在可能存在最优解的局部区域搜索），以解决多目标优化问题（MOOPs）。HVEPSO的每个子群都是一个HPSO，每个粒子从行为池中选择一种行为（更新其位置和速度的方法），并且存在不同的策略来确定何时改变粒子的行为。

此前已有对动态环境下HVEPSO动态版本的评估，结果表明HVEPSO能成功解决动态单目标优化问题（DSOOPs）和动态MOOPs（DMOOPs），但尚未有对静态MOOPs的全面研究。因此，本文聚焦于静态多目标优化（MOO）环境，旨在研究在使用特定KTS时，各种行为选择机制对HVEPSO性能的影响，并为每个KTS确定最