动态惩罚分解策略下的高维目标进化算法

摘要

基于分解的多目标进化算法（MOEA/D）的求解精度与聚合方法有直接关系,其中基于惩罚的边界交叉聚合法（PBI）受惩罚参数θ影响较大,固定的惩罚参数难以匹配不同位置的子问题,尤其边界子问题上的极端解易被邻域内非支配解替代.为此,本文提出一种基于动态惩罚分解策略的高维目标进化算法（MOEA/D-DPS）,通过动态调整惩罚参数θ来改变候选解选择区域大小,使不同位置的子问题都有更合适的选择区域,且减少了边界子问题上优秀解的丢失,更好地平衡了算法的收敛性与多样性.最后,本文通过仿真实验对比分析了MOEA/D-DPS算法与相关算法的性能,实验结果表明:MOEA/D-DPS算法在DTLZ1-4测试函数上所得解集整体性能更优.