传统的NSGA-Ⅱ(Non-dominated Sorting Genetic AlgorithmⅡ)算法使用拥挤度作为精英选择的第二指标,该方法在处理高维多目标优化问题时,常常由于选择压力不足,以及不同目标间优化冲突加剧等原因,很难维持种群收敛性和多样性的平衡。针...传统的NSGA-Ⅱ(Non-dominated Sorting Genetic AlgorithmⅡ)算法使用拥挤度作为精英选择的第二指标,该方法在处理高维多目标优化问题时,常常由于选择压力不足,以及不同目标间优化冲突加剧等原因,很难维持种群收敛性和多样性的平衡。针对上述问题,提出一种基于外部存档更新及截断机制的NSGA-Ⅱ改进算法NSGA-Ⅱ-UTEA(NSGA-Ⅱalgorithm based on Update and Truncation of External Archive)。该算法首先在精英选择中引入基于权重向量分解的外部存档机制,然后根据个体与所在权重向量及超平面距离之和更新外部存档,并基于个体间角度计算实现外部存档截断,进一步提升了算法在高维多目标优化问题中种群的收敛性和多样性。与NSGA-Ⅱ、NSGA-Ⅲ、MOEA/D(Multi-Objective Evolutionary Algorithm based on Decomposition)、NSGA-Ⅱ-ARSBX(NSGA-Ⅱwith Adaptive Rotation based Simulated Binary crossover)和RPD-NSGA-Ⅱ(Reference Point Dominance-based NSGA-Ⅱ)这5种先进的进化算法的对比实验结果表明,NSGA-Ⅱ-UTEA算法在10目标以上的高维DTLZ(Deb Thiele Laumanns Zitzler)和WFG(Walking Fish Group)系列测试函数上,各项性能指标整体优于其他算法,在解集的分布性和多样性方面具有显著优势。特别是在大部分高维WFG4~WFG7凹问题上都能取得最佳的性能指标值。与传统的NSGA-Ⅱ算法相比,NSGA-Ⅱ-UTEA算法在10目标以上的高维DTLZ系列测试函数上,反世代距离(IGD)性能平均提升了50.6%;在15目标以上的高维WFG系列测试函数上,超体积(HV)性能平均提升了60.7%。实验结果验证了NSGA-Ⅱ-UTEA算法改进的有效性。展开更多
文摘传统的NSGA-Ⅱ(Non-dominated Sorting Genetic AlgorithmⅡ)算法使用拥挤度作为精英选择的第二指标,该方法在处理高维多目标优化问题时,常常由于选择压力不足,以及不同目标间优化冲突加剧等原因,很难维持种群收敛性和多样性的平衡。针对上述问题,提出一种基于外部存档更新及截断机制的NSGA-Ⅱ改进算法NSGA-Ⅱ-UTEA(NSGA-Ⅱalgorithm based on Update and Truncation of External Archive)。该算法首先在精英选择中引入基于权重向量分解的外部存档机制,然后根据个体与所在权重向量及超平面距离之和更新外部存档,并基于个体间角度计算实现外部存档截断,进一步提升了算法在高维多目标优化问题中种群的收敛性和多样性。与NSGA-Ⅱ、NSGA-Ⅲ、MOEA/D(Multi-Objective Evolutionary Algorithm based on Decomposition)、NSGA-Ⅱ-ARSBX(NSGA-Ⅱwith Adaptive Rotation based Simulated Binary crossover)和RPD-NSGA-Ⅱ(Reference Point Dominance-based NSGA-Ⅱ)这5种先进的进化算法的对比实验结果表明,NSGA-Ⅱ-UTEA算法在10目标以上的高维DTLZ(Deb Thiele Laumanns Zitzler)和WFG(Walking Fish Group)系列测试函数上,各项性能指标整体优于其他算法,在解集的分布性和多样性方面具有显著优势。特别是在大部分高维WFG4~WFG7凹问题上都能取得最佳的性能指标值。与传统的NSGA-Ⅱ算法相比,NSGA-Ⅱ-UTEA算法在10目标以上的高维DTLZ系列测试函数上,反世代距离(IGD)性能平均提升了50.6%;在15目标以上的高维WFG系列测试函数上,超体积(HV)性能平均提升了60.7%。实验结果验证了NSGA-Ⅱ-UTEA算法改进的有效性。
