采用个体进化状态判定策略的分解类多目标进化算法

多目标进化算法应用非常广泛,但易陷入局部Pareto前沿.为了提高多目标进化算法平衡全局探索与局部开发的能力,使算法收敛到完整的Pareto前沿,本文提出采用个体进化状态判定策略的分解类多目标进化算法(MOEA/D_PE),MOEA/D_PE算法采用个体进化状态判定策略,判定个体当前的进化状态,然后为个体选择适合其进化状态的变异算子,从而提高算法平衡全局探索与局部开发的能力,使算法收敛到完整的Pareto前沿.实验研究表明,MOEA/D_PE算法在测试函数中表现出,比非支配排序多目标遗传算法和分解类多目标进化算法更好的收敛性和多样性,能够更好地收敛到完整的Pareto前沿.

基于动态分配邻域策略的分解多目标进化算法

邻域规模是影响分解多目标进化算法性能的重要因素之一,传统分解多目标进化算法通常对计算复杂度不同的子问题分配相同的邻域规模,算法运行效率受到限制。针对以上问题,提出了一种基于动态分配邻域策略的分解多目标进化算法(MOEA/D-SD):首先,在收敛性方向和多样性角度上评估个体的进化状态;其次,根据进化状态动态调节邻域大小,为每个子问题分配合适的邻域规模,从而提高算法的收敛性和解集整体质量。将所提算法与MOEA/D和MOEA/D-GR算法在ZDT和DTLZ系列测试函数上进行性能对比。仿真实验结果表明:MOEA/D-SD算法的收敛性能明显提升,算法资源分配更加合理,所求解集整体质量有所提升。