变邻域分解多目标自适应差分进化算法

摘要：

分解方法是处理复杂问题常用的一种手段,而差分进化算法被广泛地应用于多目标优化问题(multiobjective optimization problems,MOP),为了克服经典差分进化算法和分解方法的缺陷,本文提出了一种自适应差分进化算法和变邻域分解方法相结合的新颖算法——ADEMO/D-ENS,该算法采用Tchebycheff方法将多目标优化问题分解成多维标量优化子问题,并利用邻域子问题的信息进行优化,基于邻域种群集依概率自适应选择邻域种群规模;同时采用概率匹配(probability match,PM)自适应方法从差分策略池中选择差分进化策略;同时分析了算法的复杂度;最后,通过和经典的非支配排序遗传算法(non-dominated sorting genetic algorithms Ⅱ,NSGA-Ⅱ)和多目标差分进化算法(multi-objective differential evolution algorithm,MODE)仿真对比,说明ADEMO/D-ENS方法可以更有效的处理多目标优化问题.

关键词：分解、邻域种群集、概率匹配方法、差分进化、多目标优化、复杂度分析

所属期刊栏目：31

分类号：TP301.6(计算技术、计算机技术)

资助基金：航空科学基金资助项目20125853035;国家“973”计划资助项目20126131890302

在线出版日期：2015-02-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1492-1501