基于自适应进化策略的MOEA/D算法

发布时间：2021-11-04 14:22

　　针对MOEA/D算法单纯使用差分进化策略造成局部搜索能力弱、寻优精度低等问题,提出一种基于自适应进化策略的MOEA/D算法（MOEA/D-EA）。利用种群邻域更新信息构造进化状态判断机制,判断子问题的进化潜能和种群的进化状态;将子问题的进化潜能正反馈到反向学习模型,形成自适应的反向学习策略（AOBL）;根据种群的进化状态选择不同的进化策略,以均衡算法的全局搜索与局部寻优能力。实验结果表明,该算法在收敛性、分布性和稳定性等方面均优于或部分优于其它对比算法。 

【文章来源】：计算机工程与设计. 2019,40(04)北大核心

【文章页数】：8 页

【文章目录】：
0 引言
1 相关研究
    1.1 多目标优化问题定义
    1.2 基于分解的多目标进化算法
    1.3 差分进化策略
    1.4 反向学习模型
2 基于自适应进化策略的MOEA/D算法
    2.1 基于进化潜能的进化状态判断机制
    2.2 基于自适应反向学习的进化策略 (AOBL)
    2.3 基于自适应进化策略的MOEA/D算法
3 实验及结果分析
    3.1 测试问题与对比算法
    3.2 性能指标
    3.3 实验结果与分析
4 结束语


【参考文献】：
期刊论文
[1]差分选择策略在复杂多目标优化问题中的研究[J]. 郑金华,刘磊,李密青,尹呈,王康.  计算机研究与发展. 2015(09)
[2]基于自适应缩放比例因子的差分进化算法[J]. 沈佳杰,江红,王肃.  计算机工程与设计. 2014(01)



本文编号：3475906