基于ε-支配的自适应多目标进化算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (34): 39-43.

基于ε-支配的自适应多目标进化算法

梁浩，林丹，马楠

天津大学理学院数学系，天津 300072

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-12-01 发布日期:2011-12-01

ε-dominance based adaptive multi-objective evolutionary algorithm

LIANG Hao，LIN Dan，MA Nan

Department of Mathematics，School of Science，Tianjin University，Tianjin 300072，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-12-01 Published:2011-12-01

摘要/Abstract

摘要： 提出一种新的基于ε-支配关系的自适应多目标进化算法（AEMOEA）。在每次的进化中保留端点，并从端点集中选取一个作为父本，参加进化，弥补了ε-MOEA算法中端点易被丢掉的缺陷;在进化过程中根据存档动态地调整ε的取值，使解的分布更加均匀;当存档中个体过多时，运用ε-支配关系进行剪切，使其个体数处在合理水平。通过5个常用双目标测试函数的计算，验证了该算法在求解质量上优于ε-MOEA、NAGA-II以及SPEA-2等主流多目标算法。

关键词: 多目标优化, 多目标进化算法, ε-支配, ε-自适应调整

Abstract: A novel multi-objective evolutionary algorithm，called ε-dominance based adaptive multi-objective evolutionary algorithm（AEMOEA），is proposed.As the improvement to ε-MOEA，the boundary points easily discarded before are reserved in AEMOEA and one of them is chosen as parent to take part in each evolution.In addition，the εvalue is dynamically modified with the archive in every generation to find a well-distributed set of solutions.Finally，when the archive is over-sized，ε-dominance is used to reduce it to a proper number.The proposed AEMOEA algorithm is tested on five bi-objective benchmark test functions，and the experimental results demonstrate that AEMOEA outperforms other MOEAs such as ε-MOEA，NAGA-II and SPEA-2.

Key words: multi-objective optimization, multi-objective evolutionary algorithm, ε-dominance, ε-adaptive

梁浩，林丹，马楠. 基于ε-支配的自适应多目标进化算法[J]. 计算机工程与应用, 2011, 47(34): 39-43.

LIANG Hao，LIN Dan，MA Nan. ε-dominance based adaptive multi-objective evolutionary algorithm[J]. Computer Engineering and Applications, 2011, 47(34): 39-43.

[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]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	吉训生，蔡益青. 利用历史信息和限制算子求解MOFJSP[J]. 计算机工程与应用, 2020, 56(2): 272-278.
[10]	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.
[11]	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.
[12]	郭羽含，胡德甲. 基于随机森林与变邻域下降的车辆合乘求解[J]. 计算机工程与应用, 2020, 56(13): 243-253.
[13]	耿焕同，周利发，丁洋洋，周山胜. 一种基于新型差分进化模型的MOEA/D改进算法[J]. 计算机工程与应用, 2019, 55(8): 138-146.
[14]	董骏峰，王祥，梁昌勇. 基于个体邻域的改进NSGA-II算法[J]. 计算机工程与应用, 2019, 55(5): 166-174.
[15]	肖俊明，高洪洋，朱永胜，瞿博阳. 考虑新能源接入的电力多目标优化调度[J]. 计算机工程与应用, 2019, 55(23): 241-247.