科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对多目标萤火虫算法寻优策略单一，没有充分挖掘不同个体的寻优潜力、开发能力弱、易出现早熟现象，最终导致算法综合性能不佳的问题，本文提出一种分组学习的多目标萤火虫算法(MOFA-GL)。基于支配关系划分占优种群和非占优种群，同时在进化阶段划分教师教导和学生自学两个学习阶段。教师教导阶段，根据Pareto等级选定教师个体，非占优个体朝着教师个体学习，快速提高非占优种群的收敛性；占优个体在教师个体和代表种群平均水平的个体共同引导下学习，提升种群的整体性能。学生自学阶段，添加莱维飞行(Lévy flight)策略扰动占优个体以提高算法全局开发能力；非占优个体随机选择两名占优个体学习，进一步提升算法的整体性能。种群进行一轮迭代后，将当前种群进行变异操作提升算法的局部开发能力，同时采用精英选择策略保留父代优良基因，保证算法的优化性能。在实验部分，将MOFA-GL与几种经典及新兴的多目标进化算法比较，结果表明MOFA-GL能有效提高收敛性和多样性。
-
单位南昌工程学院; 国网信息通信产业集团有限公司; 北京智芯微电子科技有限公司
