全局替换的自适应权重调整MOEA/D

当多目标问题的帕累托前沿形状较为复杂时,基于分解的多目标进化算法MOEA/D的解的均匀性将受到很大的影响.MOEA/D利用相邻子问题的信息来优化,但早期因为种群中的个体与子问题的关联是随机分配的,仅在邻居间更新会浪费优秀解的信息,影响收敛速度.针对这些问题,本文提出一种MOEA/D的改进算法(MOEA/DGUAW).该算法使用种群全局更新的策略,来提高收敛速度;使用自适应调整权重向量的策略来获得更均匀分布的解集.将MOEA/D-GUAW算法与现有的MOEA/D,MOEA/D-AWA,RVEA和NSGA-Ⅲ算法在10个广泛应用的测试问题上进行了实验比较.实验结果表明,提出的算法在大部分问题上,反转世代距离评价指标IGD优于其他算法,收敛速度也快于其他算法.

一种新的MOEA/D中邻域更新策略研究

MOEA/D算法使用聚合方法将多目标问题分解成单目标问题并行进化.然而,在优化的过程中,子代在固定的邻域内替换父代,并没有考虑固定邻域不利于算法选择较合适的父代参与繁殖.针对此问题,提出一种新的邻域更新策略.首先,利用各子问题的解,求出该解与所有权重向量的聚合函数值,以这些聚合函数值作为参考信息,更新父代解;其次,利用该参考信息,更新子问题对应的邻域结构.并将领域更新策略MOE/D算法应用子ZDT,DTLZ1-2等三个系列问题进行性能测试,并与M OEA/D、M OEA/D-GR算法进行性能对比.实验结果表明,与M OEA/D和M OEA/D-GR算法相比,结合邻域更新的M OEA/D策略,算法的收敛性明显提高.