【报告内容】

汇报人：庄宇程

单位：福建工程学院

主题：《Multi-modal multi-objective particle swarm optimization with

self-adjusting strategy》

1、Introduction

2、The framework of MMOPSOSS

3、Experiment

4、Conclusion

【报告总结】

1. 待解决的问题描述

在MOPSO的收敛性研究方面，近年来的研究提出了许多自适应或自调整策略。

由于这些自适应判断准则没有考虑对应于同一最优目标向量的多个最优解集的收敛性，因此对多模态多目标优化问题MMOPs不适用[39-41]。此外，这些方法几乎都是从全局优化的角度来设计的，很难平衡分布在不同区域的多个解集的收敛性。

2. 相关创新方案

1)提出了MMOPSOSS的多种群优化框架。在多种群优化框架下，将种群划分为多个子群。在局部区域的搜索中，子种群可以被视为一个整体，并且可以独立地收敛到多模态多目标优化问题（MMOPs）的多个解集。然后，每个子群内的搜索行为保证了每个潜在区域的收敛性。

2)采用自调整局部搜索机制，评估各子种群的演化状态，管理子种群在多个局部潜在区域之间的收敛强度。该机制有效地促进了子种群收敛到潜在的Pareto最优解，同时不降低子种群探索决策空间的性能。

3)提出了MMOPSOSS的子种群平衡策略，以平衡不同区域间的收敛性。子种群平衡策略通过优先区域的拥挤程度来调整子群的大小。然后，解集在不同区域的收敛性可以获得相似的收敛精度。

3. 实验总结

为了提高多解集下粒子的收敛性，本文提出了MMOPSOSS算法。所提出的MMOPSOSS综合了多种群算法和局部搜索算法的优点。通过以上实验分析，证明了MMOPSOSS的机制在MMOPs的收敛速度和精度方面具有提高搜索性能的优势。与其他MMOAs相比，MMOPSOSS可以更精确地收敛到多个解集，具有极高的优化效率。

4. 未来工作

虽然MMOPSOSS在基准问题实验中取得了优异的性能，但仍有一些问题需要解决。首先，现有的多模态研究主要针对低维MMOP。事实上，现有的多模态优化决策空间保护机制对于高维MMOP是无效的。因为目前的多模态保护机制无法提供足够的选择压力来应对维数诅咒。为了克服这一问题，未来需要将所提出的自调整扩展到更高维度的版本。

其次，引入一些孤岛模型的有效参考来构建邻域，以解决具有不同特征的MMOP，如高维或多目标优化问题。第三，根据问题描述，减少MMOPSOSS中需要设置的参数，如维度数、目标数等。最后，有必要通过理论分析研究MMOPSO的收敛条件。粒子运动模式分析将扩展到多模态多目标MOPSO，以提供有效的参数设置。

报告时间：2023年07月07日19:30

腾讯会议：371 3868 6615

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)