自适应两阶段大规模约束多目标进化算法

针对求解大规模约束多目标优化问题时遇到的收敛速度慢和可行解难以找到的困难，提出了一种自适应两阶段大规模约束多目标进化算法。首先，算法在第一阶段根据决策变量的性质，自适应地选择部分变量进行优化，且不考虑任何约束使种群快速跨过不可行区域，逼近无约束帕累托前沿。其次，算法在第二阶段考虑全部的约束，利用ε约束处理技术对变量进行整体优化；同时，利用存档将进化过程中获得的可行且非支配的解保存并更新，以不断地提高种群的收敛性与多样性。最后，将所提算法与其他6种算法在37个测试函数上进行实验对比，结果表明：所提算法在25个函数上取得了最佳结果，且分别至少在31个函数上优于对比算法；所提算法在90%以上函数中的可行率都能达到100%,可以有效地解决大规模约束多目标优化问题。