多目标灰狼优化算法的改进策略研究

Computer Engineering and Applications 计算机工程与应用

2018，54（5）1引言近年来，随着技术的发展，生物优化算法以其结构简单，求解效率高等特点被广泛应用在较为复杂的优化问题上。但目前工程上遇到的问题往往是多目标优化问题，单纯通过加权合并多目标的方法已逐渐难以满足工程需求。为了更加完善地解决多目标优化问题，学者们对现有的多种单目标生物优化算法进行推演，提出了NSGA-II [1]、MABC [2]、MOPSO [3-4]、SPEA2[5]等多目标优化算法并得到了广泛应用。多目标灰狼算法（MOGWO ）[6]继承了单目标灰狼算

法（GWO ）[7-8]的特点，与大多数同类算法相比具备较快的收敛速度，但陷入局部最优的概率较大。由于该算法是S.Mirjalili 等学者于2015年所提出的较新算法，目前的相关研究成果主要集中在算法的应用方面，文献[9-10]中提到了对MOGWO 的改进[9-10]，但都是基于具体模型进行的改进，通用性不强。

本文针对MOGWO 的不足，提出了两点改进策略：一是借鉴了人工蜂群算法（ABC ）[11-12]中观察蜂的搜索策多目标灰狼优化算法的改进策略研究

崔明朗，杜海文，魏政磊，李聪

CUI Minglang,DU Haiwen,WEI Zhenglei,LI Cong

空军工程大学航空航天工程学院，西安710038

College of Aeronautics and Astronautics,Air Force Engineering University,Xi ’an 710038,China

CUI Minglang,DU Haiwen,WEI Zhenglei,et al.Research on improved strategy for multi-objective grey wolf https://www.360docs.net/doc/9a11924905.html,puter Engineering and Applications,2018,54（5）：156-164.

Abstract ：For the problems of easily falling into local optimum and poor stability of the Multi-Objective Grey Wolf Optimizer （MOGWO ）,two improvement strategies are put forward by studying the movement of grey wolf individual at algorithm optimization process ：One is adding the “survey process ”,the grey wolf individual is endowed with the ability to explore independently and both the efficiency of algorithm and the ability of jumping out the local optimum solution are improved;the other is improving the adjustment strategy of control parameter.The power function is used to replace the linear function to improve the stability of the algorithm.Based on two universal evaluation methods of multi-objective optimization （Generational Distance and Inverted Generational Distance ）,6different test functions and 3different algo-rithms （the original algorithm,the improved algorithm and the Multi-Objective Particle Swarm Optimization algorithm ）are compared with the repeat experiments.The experimental results show the effectiveness and feasibility of the AS-MOGWO from efficiency,ability and stability.

Key words ：Multi-Objective Grey Wolf Optimizer （MOGWO ）;survey strategy;control parameter;pareto optimal front;evaluation method of multi-objective optimization

摘要：为了解决多目标灰狼优化算法（MOGWO ）易陷入局部最优，稳定性差等缺点，基于对算法寻优时灰狼个体运动情况的分析，提出了两条改进策略：一是通过引入“观察”策略赋予灰狼个体自主探索的能力，以提高算法的优化效率和跳出局部最优的能力；二是改进控制参数调整策略，选用幂函数取代线性函数以提高算法的稳定性。然后对两条改进策略进行了可行性分析，提出了带观察策略的多目标灰狼算法并进行了算法复杂度分析。最后通过对6个不同特点测试函数的多次重复实验，结合GD 与IGD 两种通用评价指标，对原算法、改进后算法和多目标粒子群算法进行比较，从算法效率、寻优能力和稳定性等方面综合验证了算法改进的有效性和优越性。

关键词：多目标灰狼算法；观察策略；控制参数；Pareto 边界；多目标优化评价方法

文献标志码：A 中图分类号：TP310doi ：10.3778/j.issn.1002-8331.1707-0211

基金项目：国家自然科学基金（No.61601505）；航空科学基金（No.20155196022）；陕西省自然科学基金（No.2016JQ6050）。作者简介：崔明朗（1996—），男，硕士生，主要从事无人飞行器作战系统与技术研究，E-mail ：2506001482@https://www.360docs.net/doc/9a11924905.html, 。

收稿日期：2017-07-13修回日期：2017-08-29文章编号：1002-8331（2018）05-0156-09

156万方数据