王进成，顾银鲁，宋桢桢

(银川能源学院 基础部，宁夏 银川 750021)

在求解多目标优化问题时[1]，要求尽可能地接近真正的Pareto有效前端；尽可能地保持良好的多样性；尽可能地使粒子分散均匀.目前，出现了许多经典的多目标优化算法.如Dbe[2]等人利用non-dominated sorting提出了NSGA-Ⅱ算法，Corne[3]等人利用强度Pareto支配的思想提出了SPEA2算法，Coello[4]等人利用外部粒子群来指导该群体外其他粒子的飞行的思想提出了MOPSO算法.

粒子群优化算法[5](Particle Swarm Optimization Algorithm，PSO)是由Kennedy博士于1995年提出来的一种群智能优化算法，由于该算法简单收敛速度快且易于实现，近年来就得到了飞速发展并成为群智能优化算法研究领域的热点之一.用于解决多目标优化问题的粒子群优化算法称为多目标粒子群优化算法(Multi-objective particle swarm algorithm，MOPSO).为了提高MOPSO粒子的多样性，本文提出了一种基于竞争机制策略的多目标粒子群优化算法.有效地平衡了种群的全局寻优能力和局部搜索能力，并且使算法能够更快的搜索到最优位置和收敛于Pareto最优边界.最后，通过对多目标测试函数进行仿真试验，以及与经典多目标算法NSGA-Ⅱ、SPEA2、MOPSO相比，结果表明，本文算法在收敛性和分布性方面都有所改善.

1 粒子群优化算法

粒子群算法(PSO)是一种模仿鸟类和鱼群中个体社会行为的一种启发式群体智能算法.该算法稳定且高效，是近年来发展的一种智能全局寻优算法.种群中每一只鸟相当于粒子群算法中的一个粒子，每个粒子类似于寻找食物的鸟，都有其自身的速度和位置，通过自身……