基于分解和支配关系的超多目标进化算法

发布时间：2021-12-17 12:26

　　近年来,超多目标优化问题（MaOPs）成为了进化计算领域的研究热点。然而,在处理各种优化问题中,如何有效地平衡收敛性和多样性仍是一个难题。为了解决上述的问题,该文提出了一种基于分解和支配关系的超多目标进化算法（DdrEA）。首先利用权重向量把整个种群分解为一组子种群,这些子种群将进行协同优化;然后利用角度和角度支配关系计算子种群内每个解的值;最后根据适应度值进行精英选择,即在每个子空间内选取适应度值最小的解作为精英解进入下一代。DdrEA通过与当前较优的NSGA-Ⅱ/AD, RVEA, MOMBI-Ⅱ等多个超多目标进化算法进行实验对比,实验结果表明该文算法性能明显优于对比算法,能够有效平衡种群的收敛性和多样性。 

【文章来源】：电子与信息学报. 2020,42(08)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

图1 两个目标下的角度支配准则

DTLZ1具有线性的帕累托前沿，在这个问题上RVEA获得了最好的性能。而DTLZ2-DTLZ4具有凹的帕累托前沿，DdrEA在这3个测试问题上获得了较好的性能，这证明了DdrEA具有较好的处理规则帕累托前沿的能力。DTLZ5-DTLZ6具有断开的帕累托前沿，DdrEA在处理这类退化的帕累托前沿时的性能要比RVEA好，而NSGA-II/AD在这两个测试问题上的性能非常优越，明显优于Ddr EA。DTLZ7具有断开的帕累托前沿，DdrEA的性能明显优于3个对比算法。图3 各算法在10目标WFG9问题上获得的结果

图2 各算法在15目标WFG1问题上获得的结果此外，算法不可能在每个测试问题上都优于对比算法，从实验结果可以看出，NSGA-II/AD在DTLZ5和DTLZ6上的性能明显优于3个对比算法，而RVEA在DTLZ1和DTLZ3上的性能非常优越。综合实验结果和上述分析可知，DdrEA在求解超多目标优化问题时展现出良好的性能。

【参考文献】：
期刊论文
[1]基于多目标优化NSGA2改进算法的结构动力学模型确认[J]. 赖文星,邓忠民,张鑫杰.  计算力学学报. 2018(06)
[2]基于权重迭代的偏好多目标分解算法解决参考点对算法影响的研究[J]. 郑金华,喻果,贾月.  电子学报. 2016(01)



本文编号：3540118