科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对基于规则模型的多目标分布估计算法全局收敛性较弱的缺陷,提出了一种基于自适应反向学习(OBL)的多目标分布估计算法。该算法根据函数变化率的大小来决定是否进行OBL:当函数变化率较小时,算法可能陷入局部最优,所以进行OBL以提高当前种群中个体的多样性;当函数变化率较大时,运行基于规则模型的多目标分布估计算法。所提算法通过适时地引入OBL策略,减小了种群多样性及个体的分布情况对优化算法整体收敛质量以及收敛速度的影响。为了验证改进算法的性能,选取基于规则模型的多目标分布估计算法(RM-MEDA)、摸石头过河算法与分布估计混合算法(HWSA-EDA)以及基于逆建模的多目标进化算法(IM-MOEA)作为对比算法与所提算法分别在ZDT和DTLZ测试函数上进行测试。测试结果表明,除了在DTLZ2函数上以外,所提算法不仅有良好的全局收敛性,而且解的分布性和均匀性都有所提高。
- 单位
