【智能优化算法】多目标于分解的多目标进化算法MOEA/D算法（Matlab代码实现）

荔枝科研社

已于 2022-10-13 10:31:02 修改

阅读量1.9k

点赞数

CC 4.0 BY-SA版权

分类专栏：单、多目标智能算法文章标签：算法 matlab 开发语言多目标进化算法MOEA/D算法

于 2022-09-20 08:33:27 首次发布

本文链接：https://blog.csdn.net/weixin_46039719/article/details/126916522

单、多目标智能算法专栏收录该内容

233 篇文章 ¥39.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了基于分解的多目标进化算法MOEA/D，通过将多目标问题分解为子问题并利用邻域信息优化，提高了计算效率并保持解的均匀分布。与MOGLS和NSGA-II相比，MOEA/D在多目标问题上表现出优越性能。文中还提到了算法的数学模型、运行结果，并提供了参考文献和Matlab代码。

1 概述

2 数学模型

3 运行结果

4 参考文献

5 Matlab代码及详细文章

1 概述

基于分解的多目标进化算法(multiobjective evolu-tionary algorithm based on decomposition，MOEA/D)是一种利用分解策略解决多目标问题的算法2'。该算法通过聚合函数将多目标问题分解为N个子问题,每个子问题分配一个对应的权重和相关种群点的邻域"3'。种群迭代通过邻域内随机选择两个父代点交叉产生新的子代点后更新参考点Z ,然后通过聚合方法比较子代点与父代点,更新邻域内所有被支配的点,有效地利用局部信息,避免陷入局部最优,最后将非支配解存入外部存档(external population, EP)。MOEA/D通过分解的思想,每一个点(子问题)对应一个权重进行求解,由于权重是均匀分布在目标空间的,故MOEA/D算法相对于其他算法在计算效率提高的同时保证了点的均匀分布。

分解是传统多目标优化的基本策略。然而，它尚未在多目标进化优化中得到广泛应用。提出一种基于分解（MOEA/D）的多目标进化算法。它将多目标优化问题分解为多个标量优化子问题，并同时优化它们。每个子问题都通过使用来自其几个相邻子问题的信息进行优化，这使得MOEA / D在每一代的计算复杂性低于MOGLS和非支配排序遗传算法II（NSGA-II）。实验结果表明，采用简单分解方法的MOEA/D在多目标0-1背包问题和连续多目标优化问题上优于MOGLS和NSGA-II或具有与NSGA-II相似的性能。研究表明，使用目标归一化MOEA/D可以处理不同比例的目标，而使用高级分解方法的MOEA/D可以为3目标测试实例生成一组分布非常均匀的解。本文还对MOEA/D在小群体下的能力、MOEA/