sfejojno的博客

由于在工程实践和科学研究中，很多问题都是由多个相互影响、相互冲突的目标构成，而进化算法在解决这些多目标优化问题上具有独特优势，因此获得了广泛的研究。其中，NSGA-II是较为经典的多目标进化算法，其具有鲁棒性好、搜索性能高的特点；而MOPSO算法作为新型的进化范例，具有收敛速度快、收敛精度高、搜索效率高的特点。两种算法具有不同的开发和探索过程，因此为充分利用两种经典算法的特点，本文提出一种双种群协同进化的混合改进NSGA-II和MOPSO的多目标算法。

这周有粉丝私信想让我出一期GWO-KELM的文章，因此乘着今天休息就更新了(希望不算晚)作者在前面的文章中介绍了ELM和KELM的原理及其实现，ELM具有训练速度快、复杂度低、克服了传统梯度算法的局部极小、过拟合和学习率的选择不合适等优点，而KELM则利用了核学习的方法，用核映射代替随机映射，能够有效改善隐层神经元随机赋值带来的泛化性和稳定性下降的问题，应用于非线性问题的性能更优[1]。

作者在前面的文章中介绍了经典的优化算法——粒子群算法(PSO)，各种智能优化算法解决问题的方式和角度各不相同，都有各自的适用域和局限性，对智能优化算法自身做的改进在算法性能方面得到了一定程度的提升，但算法缺点的解决并不彻底。为了克服使用单一智能优化算法在求解复杂问题中表现出的精度不高、易陷入局部最值、不能在全局搜索等一系列不足，算法融合的思想开始被研究和应用。因此本文将SA与PSO这两种经典算法进行融合，并辅以改进，从而利用它们的互补性，取长补短，提高求解复杂问题的能力。

本文中将遗传算法与自适应混沌粒子群算法进行混合寻优，对比GA-PSO,GA,PSO，其性能得到提升，同时也可以利用作者前面提到过的关于粒子群与遗传算法的多种改进方法进行混合，相信一定也能取得相当好的效果，后续作者也会更新关于混合算法的程序另：如果有伙伴有待解决的优化问题（各种领域都可），可以发我，我会选择性的更新利用优化算法解决这些问题的文章。如果这篇文章对你有帮助或启发，可以点击右下角的赞 (ง •̀_•́)ง(不点也行)，若有定制需求，可私信作者。