基于重构邻域策略的分解多目标进化算法

摘要 MOEA/D算法的每个子问题都从邻域中选取父代解进行交叉变异,邻域结构在整个进化过程中维持不变,在一定程度上限制了父代选择的范围,算法在搜索后期会出现种群退化、收敛速度放缓等问题.为解决以上问题,本文提出了重构邻域策略改善父代解集质量来提升种群逼近Pareto前沿面的速度.改进算法MOEA/D-RNS改变了原始框架下的父代选择方式,从子问题邻域和精英解组成的新邻域集合中选择父代.其中,精英解分两步筛选确定,利用更新策略筛选出预备精英解集,再通过计算每个预备精英的潜力值,并根据潜力值排序来选择精英解集.在不改变邻域规模情况下,改善了父代解集质量,同时提升了解集的多样性,加快了种群收敛速度.在2至10维DTLZ1-4系列测试问题上对算法进行性能测试,实验结果表明,本算法能有效平衡算法收敛性与多样性