摘要:含有大规模决策变量的优化问题是当前多目标进化算法领域中的研究热点和难点之一。在解决大规模变量问题时,目前的进化算法并没有寻找决策变量之间的关联信息,而都只是将所有变量视为一个整体来进行优化。但随着优化问题中决策变量的增多,”变量维度”成为瓶颈,从而影响算法的性能。针对上述问题,提出关联变量分组策略,通过识别决策变量间内在的关联信息把关联变量分配到同组中,将复杂高维变量的优化问题分解为简单低维的子问题来求解。该策略通过增加关联变量分配到同组中的概率来使算法尽可能地保留变量之间的关联性,减少分组后子问题间的依赖性,从而提高子问题最优解的质量并最终获得最佳的帕雷托最优解集。将该算法在标准测试函数上进行变量扩展后再进行仿真对比实验,采用性能指标对算法的收敛性和多样性进行对比分析。实验结果表明,该算法在解决大规模变量的多目标优化问题中,随着决策变量维度的增加,比经典的多目标进化算法NSGA-II、MOEA/D和RVEA具有更佳的收敛和更好的分布性能,所求得的帕雷托解集质量更高。
邱飞岳,胡烜,王丽萍.关联变量分组的分解多目标进化算法研究[J] ●●●●。在这种情况下,2017, 44(12): 202-210. https://doi.org/10.11896/j.issn.1002-137X.2017.12.037
邱飞跃、胡璇和王丽萍。基于交互变量分组分解的多目标进化算法研究[J] ●●●●。计算机科学,2017,44(12):202-210。https://doi.org/10.11896/j.issn.1002-137X.2017.12.037