基于双重贡献分配的多目标混合算子进化算法

针对多目标混合算子进化算法中各算子有效选择的自适应问题,提出一种基于双重贡献分配的多目标混合算子进化算法(DCA-MOEA/D).首先,将两种现有的进化算子与两种基于方向引导的差分进化组成算子池,每代个体以轮盘赌的方式从中选择一种进化算子产生子代;然后,根据子代的表现,结合两种方法为各算子分配贡献值,从而确定算子的选择概率;接着,引入外部归档集,根据非支配关系与拥挤度策略对其进行维护;最后,将整个进化过程划分为5个阶段,以达到算子选择中“探索”与“探究”之间的平衡.以IGD与HV为性能评价指标,通过与其他4种多目标进化算法在23个测试函数上的对比,验证所提出算法在收敛性和分布性上的显著优势.     

基于参考点选择策略的改进型NSGA-III算法

针对多目标进化算法忽视种群在决策空间的分布信息,未考虑待优化问题Pareto前沿形状的问题,文中提出基于参考点选择策略的改进型NSGA-III算法.首先,根据种群在决策空间的分布特征,借助信息论中的熵思想,计算相邻两代种群的熵差,判定种群的进化阶段.然后,根据种群在目标空间的分布特征,借助参考点关联个体数目的统计信息,评估参考点的重要性.最后,在种群进化的中后期,依据参考点的重要性特征剔除冗余的无效参考点,使保留的参考点适应种群规模与Pareto前沿面,利用筛选后的参考点引导种群进化方向,加快算法收敛及优化效率.在测试函数集上的对比实验表明,文中算法在收敛性和分布性上均较优.