基于變化的權重向量的MOEA/D研究
摘要：MOEA／D使用聚合函數將多目標問題分解成一定數量的單目標子問題并行優化，岡其具有較強的搜索能力，良好的收斂性等，越來越受人關注。然而，該算法的性能極大程度上依賴權重向量與解替換的鄰域構成。首先，分析預先設置固定的權重向量導致最終解集性能下降的原因；其次，在此基礎上，提出依賴邊界區域變化調整權重向量的策略，根據算法迭代中解集邊界預測近似Pareto前端的整體分布，結合預先設定的權重向量與均勻設計調整權重向量；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、帶均勻設計的MOEA／D＋UD相比。結果表明，結合變化的權重向量調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，產生解集的整體質量更高。
注: 保護知識產權,如需閱讀全文請聯系湖北工業大學學報雜志社
相關推薦
更多
