一种基于新型差分进化模型的MOEA/D改进算法

针对MOEA/D算法中差分进化操作收敛精度不高且速度较慢的不足,提出了一种综合基于可控支配域的向量差生成策略和基于主成分的动态缩放因子的新型差分进化模型,均衡显性与隐性搜索引导;并实现了一种基于新型差分进化模型的MOEA/D改进算法（MOEA/D-iDE）。新型差分进化是借助基于可控支配域的非支配排序对邻域进行分层,根据分层信息生成与不同进化阶段相匹配的向量差,实现对种群收敛速度的显性引导;同时对决策空间进行主成分分析,动态调整差分进化缩放因子,实现对种群收敛精度的隐性引导。实验选取ZDT、DTLZ和WFG等为测试问题,以IGD+,ER作为评价指标,将MOEA/D-iDE算法与6个同类算法进行对比实验,结果表明新算法在保证多样性的同时具有更好的收敛速度与精度,从而验证了新型差分进化模型的有效性。     

基于平衡搜索策略的多目标粒子群优化算法*

鉴于平衡全局和局部搜索在多目标粒子群优化算法获取完整均匀Pareto最优前沿方面的重要性,设计平衡全局和局部搜索策略,进而提出改进的多目标粒子群优化算法(bsMOPSO).文中策略在局部搜索方面设计归档集自挖掘子策略,通过对归档集中均匀分布的部分粒子进行柯西扰动,使归档集涵盖整个前沿面的局部搜索.在全局搜索方面设计边界最优粒子引导搜索子策略,以边界最优粒子替换部分粒子的全局最优解,引导粒子向各维目标的边界区域搜索.选取4种对比算法在ZDT和DTLZ系列的部分测试函数上进行实验,结果表明bsMOPSO具有更快的Pareto最优前沿收敛效率和更好的分布性.     

一种基于自适应选择策略的改进型MOEA/D算法

针对MOEA/D单纯使用邻域更新作为选择策略而造成的个体解的重复更新、缺乏全局适配性等问题,提出了一种兼及全局替换和局部更新策略的新算法,即基于自适应选择策略的改进型MOEA/D(MOEA/D-AS)。算法首先设计了一种新的基于最佳二分图匹配的选择策略(KMS),利用子问题和个体解的匹配关系,从全局角度实现精英个体集的最优选择;然后利用种群的进化信息构造一种匹配紊乱判断机制;最后利用紊乱判断机制,在综合分析邻域更新策略和KMS各自优势的基础上,使算法自适应地选择最合适的选择策略,以提高鲁棒性和优化效率。选取LZ09,DTLZ,CEC09等作为标准测试函数,将改进后的算法MOEA/D-AS与经典MOEA/D系列算法进行对比实验,并以Spread和IGD为性能评估指标。实验结果表明新算法具有更好的收敛性和分布性,验证了自适应选择策略能够有效地指导精英解的选择过程。