李宏伟

(太原城市职业技术学院信息工程系,山西 太原 030001)

0 引 言

多目标优化问题[1-2](Multi-objective Optimization Problem, MOP)是指在一个系统中使多个目标在一定约束条件下能够同时达到最优的问题。求解多目标优化问题时，得到的不是一个唯一解，而是一组由非劣解构成的解集，即Pareto解集[3-5]。智能优化算法具有较好的全局搜索能力，且具有一次运行可以得到多个解的特性，因此，多目标智能优化算法已被广泛应用于解决多目标优化问题[6-8]。

鲨鱼优化算法(Shark Smell Optimization, SSO)是由Abedinia等人[9]提出的一类启发式智能优化算法。算法收敛精度较高，易于实现。在处理单目标优化问题上，鲨鱼优化算法已经展现出较强的优化能力。但在求解MOP问题优化中，基本鲨鱼算法面临容易陷入局部最优、收敛性差、通用性不好和计算复杂度高等缺点，导致鲨鱼优化算法在多目标优化问题上还未取得有效的成果，因此，基本鲨鱼优化算法还存在大量的待改进之处。Kumar等人[10]提出了MOSLPSO算法，该算法基于自学习思想，将种群的速度及位置更新策略进行改进，对于不同粒子采用不同的学习方式，使得每个粒子搜索的有效性增强。文献[11]提出多策略变异方法作用于粒子位置更新，将种群划分区域，根据粒子在不同区域的性能选择不同的变异方法，从而避免种群的早熟收敛现象。NSGAII-DS[12]中提出的快速非支配排序和拥挤距离策略在解决多目标优化问题上表现出了良好的性能。文献[13]将粒子群算法与非劣排序相结合，提出了非劣排序的多目标粒子群优化算法(NSPSO)。……