偏好向量引导的高维目标协同进化算法

多偏好向量引导的协同进化算法（PICEA-g）是将目标向量作为偏好,个体支配目标向量的个数作为适应值,以有效降低高维目标空间中非支配解的比例.但PICEA-g所获解集是近似Pareto前沿,而不是决策者真正感兴趣部分的Pareto最优解,导致算法在处理高维优化问题时性能下降和计算资源的浪费.鉴于此,提出一种基于偏好向量引导的高维目标协同进化算法（ASF-PICEA-g）：首先,利用ASF扩展函数将进化种群中的参考点映射至目标空间,并将其作为偏好向量引导种群进化的参考方向;然后,利用偏好区域选择策略获取两个临时参考点,进而构建决策者感兴趣区域（ROI）,确定随机偏好集产生的上下界范围,通过协同进化机制引导种群朝偏好区域收敛.将ASF-PICEA-g与g-NSGA-II和r-NSGA-II在3-20维的WFG系列和DTLZ系列测试函数上进行仿真实验,实验结果表明：ASF-PICEA-g在WFG系列测试函数上表现出了良好的性能,所得解集整体上优于对比算法;在DTLZ系列测试函数上略优于对比算法,尤其在10维以上目标空间,ASF-PICEA-g表现出更好的稳定性,所获解集有较好的收敛性和分布性.     

基于混合支配策略的多偏好协同进化算法*

基于目标向量的多偏好协同进化算法无法识别处于同一适应值水平上的候选解之间的Pareto支配关系,导致所获解集在Pareto前沿分布不均匀.鉴于此种情况,文中提出基于混合支配策略的多偏好协同进化算法.首先对种群进行Pareto支配排序,再计算候选解的适应值,降低种群中非支配解比例,增加选择压力.同时,将目标空间中候选解的距离信息融入到适应值赋值方法中,惩罚处于同一适应值水平但距离理想解较远的候选解,提高解集前沿的分布均匀性.最后在12个WFG系列和DTLZ系列测试函数上的实验表明,文中算法在大部分测试函数上所获解集整体质量较优.