基于多变异策略与拥挤积距的多目标优化算法

摘要

为了进一步提升进化迭代中的群体多样性和分布性,提出一种基于多变异策略与拥挤积距的多目标优化算法(mcMOA).该算法设计模糊记忆变异算子采集和利用进化中成功变异的尺度信息,以引导后续变异,增强了局部搜索效率.算法采用多变异策略,将模糊记忆变异、多项式变异、非一致性变异3种变异方式有机融入整个进化周期,提升了进化种群的多样性和全局搜索效率.针对拥挤距离不能有效表达个体局部分布性的问题,算法采用个体与相邻个体之间的距离乘积来替代拥挤距离,拥挤积距能有效表示个体的局部密度和局部分布性.通过标准测试函数的仿真实验并与多个采用单变异策略的经典算法比较,新算法在收敛性和分布性方面表现更优.