第14卷第3期 智能系统学报 Vol.14 No.3 2019年5月 CAAI Transactions on Intelligent Systems May 2019 D0:10.11992/tis.201711015 网络出版地址：http:/kns.cnki.net/cms/detail/23.1538.TP.20180426.1712.011.html 基于目标空间分解和连续变异的多目标粒子群算法 钱小宇2，葛洪伟2，蔡明3 (1.江南大学轻工过程先进控制教育部重点实验室，江苏无锡214122；2.江南大学物联网工程学院，江苏无 锡214122：3.江南大学信息化建设与管理中心，江苏无锡214122) 摘要：针对当前多目标粒子群优化算法收敛性和多样性不佳等问题，提出了一种基于目标空间分解和连续变 异的多目标粒子群优化算法。利用目标空间分解方法将粒子群分配到预先设定好的子区域中，在该过程中，通 过一种新适应值公式来对每个子区域中的粒子进行择优筛选，该适应值公式融入了支配强度因素：在全局搜索 过程中，使用差分变异、高斯变异和柯西变异对全局引导粒子的位置进行连续变异操作。将该算法与当前主流 的一些多目标优化算法进行对比实验，结果表明，本文提出的算法在提高粒子收敛性的同时，多样性也得到了 提升。 关键词：多目标优化：粒子群优化算法：分解：子区域：变异；差分；高斯变异：柯西变异 中图分类号：TP391.4文献标志码：A 文章编号：1673-4785(2019)03-0464-07 中文引用格式：钱小宇，葛洪伟，蔡明.基于目标空间分解和连续变异的多目标粒子群算法.智能系统学报，2019,14(3)： 464-470. 英文引用格式：QIAN Xiaoyu,,GE Hongwei,,CAI Ming..Decomposition and continuous mutation-based multi--objective particle swarm optimizationJ CAAI transactions on intelligent systems,2019,14(3):464-470. Decomposition and continuous mutation-based multi-objective particle swarm optimization QIAN Xiaoyu2,GE Hongwei,CAI Ming' (1.Ministry of Education Key Laboratory of Advanced Process Control for Light Industry,Jiangnan University,Wuxi 214122, China;2.School of Internet of Things Engineering.Jiangnan University,Wuxi 214122,China;3.Information Construction and Man- agement Center,Jiangnan University,Wuxi 214122,China) Abstract:In light of the poor convergence problems and the diversity of current multi-objective optimization al- gorithms,in this paper,we propose an objective-space decomposition and continuous mutation-based multi-objective particle-swarm-optimization algorithm.Its innovations are as follows:we use a space decomposition method to distrib- ute the particle swarm into a predefined sub-region.During this process,we apply a new adaptive value formula to se- lect and filter the particles in each sub-region and incorporate a fitness formula into the dominance factor.In the global search process,we apply differential,Gaussian,and Cauchy mutations to continuously mutate the position of the global guide particle.We compare the performance of this algorithm with those of current multi-objective optimization al- gorithms,and the results show that the proposed algorithm improves the convergence and diversity of the particles. Keywords:multi-objective optimization;particle swarm optimization algorithm;decomposition;sub-region,mutation; differential;Gaussian mutation;Cauchy mutation 粒子群算法自1995年被Kennedy和Eberhart 收稿日期：2017-11-13.网络出版日期：2018-04-27. 基金项目：江苏省普通高校研究生科研创新计划项目 提出后山，由于其简单高效，收敛速度快，逐渐在 (KYLX16_0781,KYLX16_0782):江苏高校优势学科 优化算法中脱颖而出。随之粒子群算法被Col. 建设工程资助项目(PAPD). 通信作者：葛洪伟.E-mail:ghw8601@163.com. loran应用到多目标优化问题上)，得到了各界的DOI: 10.11992/tis.201711015 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20180426.1712.011.html 基于目标空间分解和连续变异的多目标粒子群算法 钱小宇1,2，葛洪伟1,2，蔡明3 （1. 江南大学 轻工过程先进控制教育部重点实验室，江苏 无锡 214122; 2. 江南大学 物联网工程学院，江苏 无 锡 214122; 3. 江南大学 信息化建设与管理中心，江苏 无锡 214122） 摘 要：针对当前多目标粒子群优化算法收敛性和多样性不佳等问题，提出了一种基于目标空间分解和连续变 异的多目标粒子群优化算法。利用目标空间分解方法将粒子群分配到预先设定好的子区域中，在该过程中，通 过一种新适应值公式来对每个子区域中的粒子进行择优筛选，该适应值公式融入了支配强度因素；在全局搜索 过程中，使用差分变异、高斯变异和柯西变异对全局引导粒子的位置进行连续变异操作。将该算法与当前主流 的一些多目标优化算法进行对比实验，结果表明，本文提出的算法在提高粒子收敛性的同时，多样性也得到了 提升。 关键词：多目标优化；粒子群优化算法；分解；子区域；变异；差分；高斯变异；柯西变异 中图分类号：TP391.4 文献标志码：A 文章编号：1673−4785(2019)03−0464−07 中文引用格式：钱小宇, 葛洪伟, 蔡明. 基于目标空间分解和连续变异的多目标粒子群算法[J]. 智能系统学报, 2019, 14(3): 464–470. 英文引用格式：QIAN Xiaoyu, GE Hongwei, CAI Ming. Decomposition and continuous mutation-based multi-objective particle swarm optimization[J]. CAAI transactions on intelligent systems, 2019, 14(3): 464–470. Decomposition and continuous mutation-based multi-objective particle swarm optimization QIAN Xiaoyu1,2 ，GE Hongwei1,2 ，CAI Ming3 (1. Ministry of Education Key Laboratory of Advanced Process Control for Light Industry, Jiangnan University, Wuxi 214122, China; 2. School of Internet of Things Engineering, Jiangnan University, Wuxi 214122, China; 3. Information Construction and Man￾agement Center, Jiangnan University, Wuxi 214122, China) Abstract: In light of the poor convergence problems and the diversity of current multi-objective optimization al￾gorithms, in this paper, we propose an objective-space decomposition and continuous mutation-based multi-objective particle-swarm-optimization algorithm. Its innovations are as follows : we use a space decomposition method to distrib￾ute the particle swarm into a predefined sub-region. During this process, we apply a new adaptive value formula to se￾lect and filter the particles in each sub-region and incorporate a fitness formula into the dominance factor. In the global search process, we apply differential, Gaussian, and Cauchy mutations to continuously mutate the position of the global guide particle. We compare the performance of this algorithm with those of current multi-objective optimization al￾gorithms, and the results show that the proposed algorithm improves the convergence and diversity of the particles. Keywords: multi-objective optimization; particle swarm optimization algorithm; decomposition; sub-region; mutation; differential; Gaussian mutation; Cauchy mutation 粒子群算法自 1995 年被 Kennedy 和 Eberhart 提出后[1] ，由于其简单高效，收敛速度快，逐渐在 优化算法中脱颖而出。随之粒子群算法被 Coel￾loran 应用到多目标优化问题上[2-3] ，得到了各界的 收稿日期：2017−11−13. 网络出版日期：2018−04−27. 基金项目：江苏省普通高校研究生科研创新计划项 目 (KYLX16_0781，KYLX16_0782)；江苏高校优势学科 建设工程资助项目 (PAPD). 通信作者：葛洪伟. E-mail：ghw8601@163.com. 第 14 卷第 3 期 智 能 系 统 学 报 Vol.14 No.3 2019 年 5 月 CAAI Transactions on Intelligent Systems May 2019