傳統(tǒng)的多目標進化算法（MOEA）對于低維連續(xù)的多目標優(yōu)化問題已經(jīng)具有良好的性能,但是隨著優(yōu)化問題目標維數(shù)的增加,優(yōu)化難度也將劇增,主要原因是算法本身搜索能力不足,維數(shù)增加時選擇壓力變小,收斂性和分布性沖突難以平衡.利用連續(xù)多目標優(yōu)化問題的特性,針對高維多目標優(yōu)化的難點所在,提出了一種在決策空間的定向搜索策略（decision space,簡稱DS）,該策略可與基于支配關(guān)系的MOEA相結(jié)合.DS首先對優(yōu)化問題進行采樣分析,對問題特性進行解析,得到收斂性子空間控制向量和分布性子空間控制向量.將算法搜索過程分為收斂性搜索階段和分布性搜索階段,分別對應(yīng)收斂性子空間和分布性子空間,在不同階段搜索時,利用采樣分析結(jié)果,對生成子代個體的區(qū)域進行宏觀的影響.將收斂性和分布性分階段考慮,避免了收斂性和分布性難以平衡的難點,同時,具體在某一階段內(nèi)搜索資源相對集中,一定程度上增加了算法的搜索能力.實驗結(jié)合了DS策略的NSGA-Ⅱ,SPEA2算法與原NSGA-Ⅱ,SPEA2算法進行實驗對比,并以DS-NSGA-Ⅱ為例,與其他高維算法MOEAD-PBI,NSGA-ⅡI,Hype,MSOPS,LMEA進行對比實驗... 

【文章來源】：軟件學(xué)報. 2019,30(09)北大核心EICSCD

【文章頁數(shù)】：19 頁


本文編號：3361117