一种MOEA分布度的逐步评价方法

 提出了一种多目标进化算法中解集分布度逐步评价方法.定义了一种基于角度的坐标,避免了算法因收敛性不同对分布性评价的影响;利用了解集均匀分布具有的对称性,把整个目标空间从大到小划分成不同的对称区域,逐步进行分布度评价.实验结果表明,该方法能精确的评价解集的分布情况.     

基于空间距离的多目标进化算法

为提高多目标进化算法的收敛性,提出一种基于空间距离的多目标进化算法.定义一种密度估计指标--树聚集距离,在考虑非支配前沿的同时,利用个体的空间距离及树聚集距离进行个体选择操作.另外,在外部种群的非支配解个数超过规定的种群规模时,用基于个体邻近距离的维护方法对其进行维护.通过6个测试问题和5个方面的测试标准,与NSGA-Ⅱ和SPEA2进行比较,该算法在拥有更好收敛度的同时,保持良好的均匀性和分布广度.     

NSGA-Ⅱ中重复个体产生原因分析及影响研究

进化种群中出现重复个体意味着搜索区域的重叠,使得算法探索新可行区域的效率降低。另外个体重复浪费了解集中的个体名额,且造成信息冗余,使得解集的有效代表性变差。这在用NSGA-Ⅱ处理低维问题时体现得较为严重。分析了NSGA-Ⅱ中出现重复个体的原因,测试了编码方式和变量维数与重复个体数量的关系;通过实验检验了重复个体对于算法性能和解集质量的影响。实验结果表明,去除重复个体的算法能获得分布性更好的解集,且具有更强的稳定性。     

基于新的网格存优策略的多目标归档算法

网格方法被多个进化算法用来保持解集的分布性。基于ε支配概念的ε-MOEA本质上也是基于网格策略的。虽然ε-MOEA通常情况下都能在算法性能的各方面之间取得较为合理的折衷,但是由于其存在固有缺陷,很多时候表现出不容忽视的问题——当PF_true对某一维的变化率在该维不同区域的差异较大时,解集中边界个体或代表性个体丢失——严重影响解集的分布性。针对这一问题,定义了一种新的δ支配概念和虚拟“最优点”的概念,提出了一种新的网格存优策略,并将之应用于更新进化多目标归档算法的归档集。实验结果显示,基于新的存优策略的进化多目标归档算法（δ-MOEA）具有良好的性能,尤其在分布性方面比NSGA2和ε-MOEA好得多。