王启翔 许峰



摘 要:为了提高MOEA/D算法求解大规模高维多目标优化问题的能力,本文提出一种基于自适应信息反馈机制改进的MOEA/D算法,其基本思想是根据信息反馈原理,将当前代第k个个体与用MOEA/D算法求得的第i个个体加权平均后作为下一代第i个个体。k的选取有指定和随机两种方式,可以根据目标函数的梯度自适应地选择。采用标准的测试函数来评测改进后的算法的性能。结果表明,改进后的MOEA/D算法在收敛性方面有明显的提高。
关键词:大规模高维多目标优化;MOEA/D;信息反馈;自适应;目标函数梯度
中图分类号:TP391 文献标识码:A 文章编号:1673-260X(2021)04-0025-04
当多目标优化问题中的目标函数的个数有二至三个时,此类优化问题被称为多目标优化问题(Multi-objective Optimization Problems,MOP);当优化问题中的目标函数的个数达到4个以上时,此类优化问题则被称为高维多目标优化问题[1](Many-objective Optimization Problems,MaOP)。多目标进化算法(Multi-objective Evolutionary Algorithm,MOEA)是求解MOP非常经典的优化算法,但是在用于求解MaOP时,算法的性能就会有一定程度地下降,不足之处主要表现在随着目标函数个数的增加,进而导致算法的收敛性不足,Pareto最优前沿不能完美地逼近真实的Pareto前沿,并且解的分布性和均匀性也欠佳。
基于分解的MOEAs根据分解的形式可分为基于聚合函数的MOEAs和基于参考向量分解的MOEAs[2]。基于分解的多目标进化算法中具代表性的算法是MOEA/D。Zhang提出了基于多目标分解的MOEA/D[3];为了改善计算资源的分配,Zhang提出了改进的MOEA/D,称为MOEA/D-DRA[4];在MOEA/D-DRA的基础上,Zhou和Zhang提出了MOEA/D-GRA[5];Ryoji[6]分析了MOEA/D的控制参数;Dong[7]提出了自适应权重MOEA/D。……