基于自适应惩罚策略的MOEA/D算法设计及应用

• 作者: 周红标 柯永斌
• 来源期刊: 微电子学与计算机
• 关键词: 多目标优化 分解 基于惩罚的边界交集法 自适应惩罚策略 复杂Pareto最优前沿 空间桁架结构优化
• 年，卷（期）: 2020,（7）
• 页码范围: 59-65
• 页数: 7页
• 分类号: TP274
• 语种: 中文

摘要

基于分解的多目标进化算法(Multiobjective evolutionary algorithm based on decomposition,MOEA/D)将一个多目标优化问题(multiobjective optimization problem,MOP)分解成一系列的单目标优化子问题,然后利用相互协作的进化方式优化这些子问题.MOEA/D利用独特的分解机制促进种群逼近Pareto最优前端(Pareto optimal front,POF),同时利用均匀分布的权重向量维护种群的多样性,在解决MOPs时具有较大的优势.但是,在实际工程中,大多数MOPs的POF具有复杂的特性.比如说POF可能具有长尾和顶点,这极大地降低了MOEA/D算法的性能.基于惩罚的边界交集法(penalty-based boundary intersection,PBI)是MOEA/D常用的分解方法之一.在PBI法中,惩罚因子起着平衡算法收敛性和多样性的关键作用.本文提出了一种自适应惩罚策略(adaptive penalty strategy,APS),能够在进化过程中自适应调整每个权重向量对应的惩罚因子值,有效地增强了近似Pareto前端的多样性.最后,利用六个具有复杂POF的基准MOPs和空间桁架结构多目标优化实验验证了所提MOEA/D-APS算法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周红标	淮阴工学院自动化学院	48	271	10.0	12.0
2	柯永斌	淮阴工学院电子信息工程学院	12	30	3.0	5.0