基于分解和聚类的昂贵高维多目标进化算法

作者：徐三水; 李军华; 李凌; 黎明

来源：控制与决策, 2024, 39(02): 440-448.

DOI：10.13195/j.kzyjc.2022.0744

• 克里金模型
• 高维昂贵优化
• 填充准则
• 参考向量
• 进化算法
• 聚类算法

使用进化算法解决昂贵高维多目标优化问题时,因目标维数较高,导致收敛性和多样性平衡困难,并且消耗成本过高,使得计算资源有限时难以收敛.为此,提出一种基于分解和聚类的昂贵高维多目标进化算法(DC-EMEA),使用克里金模型近似目标函数,减少昂贵函数的评价次数.在优化器对模型的最优解集搜索时,借助参考向量分解目标空间,有利于收敛性和多样性的平衡,同时采取两轮选择的方式,保证后代种群规模与父代相同,为填充准则选择真实评价的个体时,提供更多选择,提升搜索效率.同时,提出一种自适应填充准则,首先使用K均值算法将种群划分为k个子种群.通过划分邻域,将子种群自适应地分成不同类型,根据子种群的类型选择个体,提升计算资源的利用率.在选择个体时,侧重于对收敛性压力的维持,提升收敛速度.将选出的个体用于更新模型和档案.实验结果表明, DC-EMEA能够很好地平衡收敛性和多样性,同时具有较强的收敛能力.

• 单位
  南昌航空大学; 江西省图像处理与模式识别重点实验室