基于两阶段领导的多目标粒子群优化算法

提出了一种基于两阶段领导与交叉变异相结合的多目标粒子群算法（P-AMOPSO）。算法包含四个改进策略，基于强支配排序与拥挤距离排序相结合的策略构造外部集，可以有效控制粒子的聚合程度；基于两阶段的领导粒子选择策略，既加快了算法的收敛速度，又保证了解的多样性；基于高斯分布及均匀分布相交叉的变异策略，既克服了早熟，又减少了变异的盲目性；基于邻域认知的个体极值更新策略，增大了粒子自我认知的范围，有利于提高粒子摆脱局部极值和局部搜索的能力。通过几个典型的多目标测试函数对P-AMOPSO算法的性能进行了测试,并与多目标优化算法DCMOPSO和MM-MOPSO进行对比.结果表明,P-AMOPSO算法具有良好的搜索性能.