基于變化的權(quán)重向量的MOEA/D研究
摘要：MOEA／D使用聚合函數(shù)將多目標問題分解成一定數(shù)量的單目標子問題并行優(yōu)化，岡其具有較強的搜索能力，良好的收斂性等，越來越受人關(guān)注。然而，該算法的性能極大程度上依賴權(quán)重向量與解替換的鄰域構(gòu)成。首先，分析預先設(shè)置固定的權(quán)重向量導致最終解集性能下降的原因；其次，在此基礎(chǔ)上，提出依賴邊界區(qū)域變化調(diào)整權(quán)重向量的策略，根據(jù)算法迭代中解集邊界預測近似Pareto前端的整體分布，結(jié)合預先設(shè)定的權(quán)重向量與均勻設(shè)計調(diào)整權(quán)重向量；進一步，為提高算法求解的收斂速度．提出導引式雜交策略，引導種群進化，結(jié)合兩種策略，提出一種改進的分解多目標進化算法。仿真試驗中，本文在ZDT系列問題上對算法進行性能測試。與NSGA-Ⅱ，原始的MOEA／D、帶均勻設(shè)計的MOEA／D＋UD相比。結(jié)果表明，結(jié)合變化的權(quán)重向量調(diào)整與導引式雜交策略，算法收斂的速度提高，獲得解集分布性相對更為均勻，產(chǎn)生解集的整體質(zhì)量更高。
注: 保護知識產(chǎn)權(quán),如需閱讀全文請聯(lián)系湖北工業(yè)大學學報雜志社
相關(guān)推薦
更多蒙古科技與經(jīng)濟.jpg)
與經(jīng)濟.jpg)
于我們.jpeg)