科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对进化算法求解高维多目标优化问题平衡收敛性和多样性所面临的挑战，提出了向量角选择和指标删除的高维多目标进化算法（A many-objective evolutionary algorithm with vector angle selection and indicator deletion， MOEA/AS-ID）。该算法在环境选择过程中设计了一种包含两种策略的协作机制逐一删除收敛性和多样性差的解以保留精英个体参与下一代的进化。具体来说，前者基于向量角的选择策略用于选择一对在目标空间具有相似搜索方向的解，后者基于指标的删除策略采用同时兼顾个体收敛性和分布性的ISDE+指标（Indicator shift-based density estimation ）比较被选择的这一对解，然后删除具有较小指标值的解，进而促使种群朝各个方向收敛到帕累托最优前沿，最终平衡解集的收敛性和多样性。在包含各种特征的3组标准测试系列问题DTLZ（Deb-Thiele-Laumanns- Zitzler）、SDTLZ（Scaled SDTLZ）、MaF（Many-objective function）上，MOEA/AS-ID与近年提出的6个涵盖了当前各种类型的高维多目标进化算法执行了广泛的对比仿真实验和数值结果分析。仿真结果和数值分析表明所提算法MOEA/AS-ID求解各种特征的高维多目标优化问题平衡收敛性和多样性的能力具有较强的竞争力。
- 单位
