动态邻域的分解多目标进化算法

摘要 多目标优化问题是进化算法领域的研究热点与难点.基于分解的多目标进化算法（MOEA/D）在求解多目标优化问题时有着较强的搜索能力、高效的适应度评价、良好的收敛性等优点.然而，不同的子问题使用相同大小的邻域统一优化，减缓算法搜索全局最优解的速率.为解决以上问题，提出一种动态邻域设置策略，针对不同的子问题设置不同的邻域.首先，分析子问题差异处理的原因；其次，根据子问题与边界的距离，提出边界子问题与靠边界子问题的邻域减小，其他子问题邻域增大策略并将以上策略应用在MOEA/D中，提出一种动态邻域的分解多目标进化算法，进一步分析改进算法中参数的敏感性.将该算法在经典测试函数ZDT系列，WFG系列上进行仿真实验，并采用反向世代距离（IGD）和超体积（HV）指标对算法性能对比分析.结果表明，与MOEA/D对比，改进算法的收敛性明显提高，求出的解集相比MOEA/D，NSGA-II，MOEA/D-DU同类典型的算法求出解集的质量更高，算法在求解前端为凸面的情况效果甚好.