混合分解和强度帕累托多目标进化算法

？在多目标进化优化中，使用分解策略的基于分解的多目标进化算法(moea/d)时间复杂度低，使用〖bp(〗强度帕累托策略的〖bp)〗强度帕累托进化算法-2(spea2)能得到分布均匀的解集。结合这两种策略，提出一种新的多目标进化算法用于求解具有复杂、不连续的帕累托前沿的多目标优化问题(mop)。首先,利用分解策略快速逼近帕累托前沿；然后,利用强度帕累托策略使解集均匀分布在帕累托前沿，利用解集重置分解策略中的权重向量集，使其适配于特定的帕累托前沿；最后,利用分解策略进一步逼近帕累托前沿。使用的反向世代距离(igd)作为度量标准，将新算法与moea/d、spea2和paλ-moea/d在12个基准问题上进行性能对比。实验结果表明该算法性能在7个基准问题上最优，在5个基准问题上接近于最优，且无论mop的帕累托前沿是简单或复杂、连续或不连续的，该算法均能生成分布均匀的解集。