基于拐点和区域划分的高维多目标进化算法

针对高维多目标优化问题中收敛性和分布性难以同时保持的问题,提出一种基于拐点和区域划分的高维多目标进化算法KnSP。算法选取拐点作为第1次区域划分的中心点,自适应生成邻域;然后采用角度分层法进行二次区域划分,将点到超平面的距离作为个体选择的准则;最后通过候选解与其余个体的角度来增加或删除个体以保证种群规模。实验结果表明,算法在多个测试函数中性能表现较其它比较算法更优。

面向复杂超多目标优化问题的自适应增强学习进化算法

在解决超多目标优化问题中,基于分解的进化算法是一种较为有效的方法.传统的分解方法依赖于一组均匀分布的参考向量,它借助聚合函数将多目标优化问题分解为一组单目标子问题,然后对这些子问题同时进行优化.然而,由于参考向量分布和Pareto前沿形状的不一致性,导致这些预定义的参考向量在解决复杂超多目标优化问题时表现较差.对此,提出一种基于自适应增强学习的超多目标进化算法(MaOEA-ABL).该算法主要分为两个阶段:第1阶段,采用一种自适应增强学习算法对预定义的参考向量进行调整,在学习过程中删除无用向量,增加新的向量;第2阶段,设计一种对Pareto形状无偏好的分解方法.为验证所提出算法的有效性,选取具有复杂Pareto前沿的MaF系列测试函数进行仿真研究,结果显示,MaOEA-ABL算法的IGD(inverted generational distance)均值在67%的测试函数上超过了对比算法,从而表明该算法在复杂超多目标优化问题中表现良好.