科研之友
微信
新浪微博
Facebook
分享链接
摘要
MOEA/D(基于分解的多目标进化算法)利用一组均匀分布的权重向量将多目标优化问题分解为若干个单目标子问题，并以协作方式同时优化这些子问题。然而，当多目标问题真实Pareto前沿(Pareto front, PF)的形状具有长尾和尖峰特征时，MOEA/D在求解此类多目标问题时，所得到的最优解集在长尾和尖峰区域相对稀疏，性能受到很大影响。为了有效处理这种情况，提出了一种自适应选择变异策略的MOEA/D算法。该算法采用5种不同的变异策略构成候选池，在进化过程中，根据候选池中各变异策略近期的表现，以更高的概率选择近期表现更好的变异策略，使算法能够快速收敛。在算法的差分变异操作中采用理想解充当扰动向量，在PF上获得一组均匀分布的最优解，从而提高算法的性能。实验结果表明，与其他算法相比，本文算法获得的最优解集有更好的收敛性和分布性。
- 单位
