一种增强多样性的改进型NSGAⅡ算法

传统NSGAⅡ算法通过计算个体的拥挤距离保持群体分布性。为改善算法中存在的不足,使得新算法在测试问题集上表现更好,本研究对算法的多样性进行改进。受PBI效用函数的启发,抽取其中的d₂距离作为选择机制并与传统NSGAⅡ算法结合,提出一种计算d₂距离的改进型NSGAⅡ算法（d₂_NSGAⅡ）,用于改善传统算法的收敛性与多样性。通过实验对比发现,相比NSGAⅡ以及其他一些算法,新算法在一些测试函数的高维多目标优化问题上有明显的优势。因此,d₂_NSGAⅡ是一种较好的解决高维多目标优化问题的新算法。     

大规模多目标进化优化算法研究进展

现实中存在许多大规模多目标优化问题（Large-scale Multi-objective Optimization Problem,LSMOP）,它们对传统的多目标进化算法（Multi-objective Evolutionary Algorithm,MOEA）提出了挑战,有关LSMOP的研究已成为多目标优化领域的研究热点之一。本文系统分析了近年来提出的各种大规模多目标进化优化算法（Large-scale Multi-objective Optimization Evolutionary Algorithm,LSMOEA）,根据这些算法的主要思想和技术特点将它们粗略地分成4种类型,即基于协同进化（Cooperative Coevolution,CC）、基于决策变量分析、基于问题重构以及其他方法,并对今后LSMOP的研究方向提出建议,以期将LSMOP的研究引向深入。