融合Pareto邻域交叉算子的多目标分布估计算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (28): 38-41.

融合Pareto邻域交叉算子的多目标分布估计算法

江巧永，高岳林

北方民族大学信息与系统科学研究所，银川 750021

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-10-01 发布日期:2011-10-01

Multi-objective estimation of distribution algorithm based on Pareto neighborhood crossover operation

JIANG Qiaoyong，GAO Yuelin

Institute of Information & System Science，North Ethnic University，Yinchuan 750021，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-10-01 Published:2011-10-01

摘要/Abstract

摘要： 将分布估计算法用于多目标优化问题，提出一种融合Pareto邻域交叉算子的多目标分布估计算法（MEDAP）。与一般分布估计算法只通过采样方法产生新种群不同，MEDAP算法利用采样和交叉相结合的方法产生新种群，并通过模拟退火技术在线调节尺度因子，以此来控制采样和交叉的贡献量，根据NSGA-II的选择策略选出下一代进化种群。数值实验分为两组，一组选取8个常用测试函数并与NSGA-II、SPEA2、MOPSO三个多目标算法进行比较，数值实验结果表明了MEDAP算法的有效性。另一组与不加Pareto邻域交叉算子的多目标分布估计算法进行比较，数值实验结果验证了Pareto邻域交叉算子的加入提高了算法的性能。

关键词: 多目标优化, 分布估计, 采样方法, Pareto邻域交叉算子, 模拟退火

Abstract: A Multi-objective Estimation of Distribution Algorithm with Pareto neighborhood crossover operation （MEDAP） is proposed to solve multi-objective optimization problems.Compared to the sampling method of generating population in original EDA，MEDAP employs the sampling method and Pareto neighborhood crossover operation to generate new population.A scaling factor used to balance contributions of sampling and crossover can be adjusted in on-line manner using a simulated annealing method.The offspring population is generated by the selection strategy of NSGA-II.Numerical experiments are done in two groups，one compares with NSGA-II，SPEA2 and MOPSO on eight benchmark problems.The simulation results show the effectiveness of the proposed MEDAP algorithm.The other one compares with the basic multi-objective estimation of distribution algorithm.The numerical results verify that the Pareto neighborhood crossover operation improves the performance of algorithm.

Key words: multi-objective optimization, estimation of distribution, sampling method, Pareto neighborhood crossover operation, simulated annealing

江巧永，高岳林. 融合Pareto邻域交叉算子的多目标分布估计算法[J]. 计算机工程与应用, 2011, 47(28): 38-41.

JIANG Qiaoyong，GAO Yuelin. Multi-objective estimation of distribution algorithm based on Pareto neighborhood crossover operation[J]. Computer Engineering and Applications, 2011, 47(28): 38-41.

[1]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[2]	李倩，蒋丽，梁昌勇. 基于模糊时间窗的多目标冷链配送优化[J]. 计算机工程与应用, 2021, 57(23): 255-262.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	胡小兵，陈树念，张盈斐，谷升豪. 求解多目标路径优化问题的涟漪扩散算法[J]. 计算机工程与应用, 2021, 57(23): 81-90.
[5]	王乐，韩萌，李小娟，张妮，程浩东. 不平衡数据集分类方法综述[J]. 计算机工程与应用, 2021, 57(22): 42-52.
[6]	李大海，艾志刚，王振东. 基于全组合策略的多目标阴阳对算法[J]. 计算机工程与应用, 2021, 57(22): 110-124.
[7]	马艳芳，李保玉，杨屹夫，冯翠英. 客户分类下生鲜配送两级路径问题与算法研究[J]. 计算机工程与应用, 2021, 57(20): 287-298.
[8]	童文林，陈德旺，黄允浒，吕宜生. 结合模拟退火与规则约简的模糊系统优化方法[J]. 计算机工程与应用, 2021, 57(16): 142-150.
[9]	张凯，靳鹏，崔勇. 带时间窗的多车型需求可拆分揽收配送问题[J]. 计算机工程与应用, 2021, 57(14): 281-288.
[10]	崔彩霞，毕超超，范勤勤. 基于隐马尔可夫链的自适应MODE及应用[J]. 计算机工程与应用, 2021, 57(14): 83-94.
[11]	禹忠，顾仁彬，范九伦. 基于LBT-SA的LoRaWAN信道接入方法研究[J]. 计算机工程与应用, 2020, 56(24): 95-101.
[12]	吴天纬，安斯光，孙崎岖，李梅，孙丽宏，申屠南瑛. 改进聚合树的高维多目标降维优化算法[J]. 计算机工程与应用, 2020, 56(21): 47-53.
[13]	王利利，张琳娟，尚雪宁，高德云. 计算智能在电动车充电站规划的应用研究综述[J]. 计算机工程与应用, 2020, 56(2): 1-10.
[14]	涂经科，梁俊斌，蒋婵，王天舒. 大规模无环有向管网中移动物联网监测进展[J]. 计算机工程与应用, 2020, 56(17): 1-11.
[15]	王亚东，石全，尤志锋，宋卫星. 差分准对立学习多目标蚁狮算法[J]. 计算机工程与应用, 2020, 56(13): 156-163.