韩 飞， 郑明鹏

(1. 江苏大学 计算机科学与通信工程学院, 江苏 镇江 212013; 2. 江苏大学 江苏省工业网络空间安全技术重点实验室, 江苏 镇江 212013)

优化问题在很多实际应用 (如科学研究和工程实践) 中非常普遍.大多数的实际优化问题通常是由多个需要同时优化、相互冲突的目标构成的，这一类优化问题通常称为多目标优化问题(multi-objective optimization problems, MOPs).这一类优化问题通常比单目标优化问题更加棘手，因为适用于1个函数的解可能并不适用于其他函数，即此类问题中不存在唯一的最优解，只能寻找一组能均衡目标之间优劣的最佳折中解的集合，使所有目标尽可能达到最优.

为了获得MOPs的优化解，具有收敛速度快、易于实现等优点的多目标粒子群优化算法(multi-objective particle swarm optimization, MOPSO)获得了国内外学者的广泛关注.然而在将MOPSO应用于解决多目标优化问题时，除了需要考虑如外部存档的维护等其他进化算法所共有的一些策略之外，个体最优解和种群最优解的选择以及多样性和收敛性的平衡等方面仍然存在着挑战.

不同于传统的MOPSO更新策略，ZHANG X. Y.等[1]将两两竞争机制引入多目标优化领域，提出了一种基于竞争机制的多目标粒子群优化算法(competitive mechanism based multi-objective particle swarm optimizer, CMOPSO)，该算法首先选取一部分最优粒子作为精英粒子，在每次竞争中从这些精英粒子中随机挑选2个精英粒子参与竞争，获胜的精英粒子将用来引导其他粒子进化.该算法能够有效减少种群进化过程中外部存档维护带来的计算成本，并且在很多MOPs上都……