Journal international d'intelligence d'essaim et de calcul évolutif

Abstrait

Optimisation multi-objectifs par essaim de particules avec recherche par descente de gradient

Li Ma et Babak Forouraghi*

L'optimisation par essaim de particules (PSO) s'est avérée être une méthode fiable pour traiter de nombreux types de problèmes d'optimisation. Plus précisément, lors de la résolution de problèmes d'optimisation PSO multi-objectifs (MOPSO), une attention particulière doit être accordée à la sélection des paramètres et à la stratégie de mise en œuvre afin d'améliorer les performances de l'optimiseur. Cet article propose un nouveau MOPSO avec une capacité de recherche locale améliorée. Une nouvelle approche de partage sans paramètre est introduite pour estimer la densité du voisinage des particules dans l'espace de recherche. Au départ, la méthode proposée détermine avec précision le facteur d'encombrement des solutions ; dans les étapes ultérieures, elle guide efficacement l'essaim entier pour converger étroitement vers le véritable front de Pareto. De plus, l'algorithme utilise la méthode de recherche locale de descente de gradient pour mieux explorer la région Pareto-optimale. Les performances de l'algorithme sur plusieurs fonctions de test et un problème de conception technique sont rapportées et comparées à d'autres approches. Les résultats obtenus démontrent que l'algorithme proposé est capable de rechercher efficacement le long du front Pareto-optimal et d'identifier les solutions de compromis.