一种多策略协同的多目标萤火虫算法

现实中的多目标优化问题不断增多且日益复杂,需要不断发展新型启发式算法应对挑战.提出一种多策略协同的多目标萤火虫算法MOFA-MCS.该算法采用均匀化与随机化相结合的方法产生初始种群;利用档案集中的精英解个体指导萤火虫移动;并在移动的过程施加Lévy flights随机扰动;最后,利用ε-三点最短路径策略维护档案解群的多样性.MOFA-MCS算法与其他6种经典的多目标进化算法一同在12个基准的多目标测试问题上进行实验,结果表明所提算法在收敛性、多样性方面总体上具有显著的性能优势.

大规模多目标进化优化算法研究进展

现实中存在许多大规模多目标优化问题(Large-scale Multi-objective Optimization Problem,LSMOP),它们对传统的多目标进化算法(Multi-objective Evolutionary Algorithm,MOEA)提出了挑战,有关LSMOP的研究已成为多目标优化领域的研究热点之一。本文系统分析了近年来提出的各种大规模多目标进化优化算法(Large-scale Multi-objective Optimization Evolutionary Algorithm,LSMOEA),根据这些算法的主要思想和技术特点将它们粗略地分成4种类型,即基于协同进化(Cooperative Coevolution,CC)、基于决策变量分析、基于问题重构以及其他方法,并对今后LSMOP的研究方向提出建议,以期将LSMOP的研究引向深入。

一种增强多样性的改进型NSGAⅡ算法

传统NSGAⅡ算法通过计算个体的拥挤距离保持群体分布性。为改善算法中存在的不足,使得新算法在测试问题集上表现更好,本研究对算法的多样性进行改进。受PBI效用函数的启发,抽取其中的d_(2)距离作为选择机制并与传统NSGAⅡ算法结合,提出一种计算d_(2)距离的改进型NSGAⅡ算法(d_(2)_NSGAⅡ),用于改善传统算法的收敛性与多样性。通过实验对比发现,相比NSGAⅡ以及其他一些算法,新算法在一些测试函数的高维多目标优化问题上有明显的优势。因此,d_(2)_NSGAⅡ是一种较好的解决高维多目标优化问题的新算法。