一种新角度支配关系的多目标进化算法

为了兼顾多目标进化算法求解的收敛性和多样性,文中在分析解群支配以及多样性情况相关理论的基础上,借鉴网格支配和角度支配的优势,提出一种新的支配关系刻画解群在目标空间的分布状况,以较好地在收敛性和多样性间取得平衡;设计了一种新角度支配的多目标进化算法,该算法利用新角度支配关系增强选择压力,维持解群的多样性;比较了在NSGAII算法框架下,新提出的支配关系与原有两种支配关系的收敛性、多样性以及收敛速度。研究结果表明:文中算法在DTLZ及WFG基准测试集上获得的GD,IGD和Spacing指标性能均得到了提升,并且能够更快地获得高质量解集,故所提出的支配关系能够更有效地平衡收敛性和多样性。

DAV-MOEA:一种采用动态角度向量支配关系的高维多目标进化算法

现实中不断涌现的高维多目标优化问题对传统的基于Pareto支配的多目标进化算法构成巨大挑战.一些研究者提出了若干改进的支配关系,但仍难以有效地平衡高维多目标进化算法的收敛性和多样性.提出一种动态角度向量支配关系动态地刻画进化种群在高维目标空间的分布状况,以较好地在收敛性与多样性之间取得平衡;另外,提出一种改进的基于L_(p-)范式(p<1)的拥挤距离度量方法以有效地度量高维目标空间中解群的多样性.设计了一种采用动态角度向量支配关系的高维多目标进化算法DAV-MOEA,该算法利用动态角度向量支配关系增强选择压力,运用改进的基于L_(p-)范式(p<1)的拥挤距离维持解群的多样性.实验研究了动态角度向量支配关系、改进的拥挤距离方法以及DAV-MOEA算法在5-、8-和10-目标的DTLZ和WFG基准测试实例上的IGD与HV指标性能.实验结果表明,动态角度向量支配关系、改进的拥挤距离方法和DAV-MOEA算法在高维目标空间中能够获得显著较优或颇具竞争力的收敛性和多样性.由此表明所提出的支配关系、拥挤距离度量方法和DAV-MOEA算法在高维目标空间中颇具前景.