文献类型：期刊文章

作　　者：刘元[1] 郑金华[1,2] 邹娟[1] 喻果[1]

LIU Yuan;ZHENG Jin-Hua;ZOU Juan;YU Guo(Key Laboratory of Intelligent Computing ＆;informationProcessing,The college of Information Engineering,XiangtanUniversity,Xiangtan 411105 2.Hunan Provincial Key Lab-oratory of Intelligent Information Processing and Application,Hengyang Normal University,Hengyang 421002)

机构地区：[1]湘潭大学信息工程学院智能计算与信息处理教育部重点实验室,湘潭411105 [2]衡阳师范学院智能信息处理与应用湖南省重点实验室,衡阳421002

出　　处：《自动化学报》

基　　金：国家自然科学基金(61502408;61673331;61379062;61403326);湖南省自教育厅重点项目(17A212);赛尔网络创新项目(NGII20150302);湖南省科技计划项目(2016TP1020);湖南省自然科学基金(2017JJ4001;14JJ2072)资助~~

年　　份：2018

卷　　号：44

期　　号：7

起止页码：1304-1320

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2017_2018、EI、IC、JST、MR、PUBMED、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：传统多目标优化算法(Multi-objective evolution algorithms,MOEAs)的基本框架大致分为两部分:首先是收敛性保持,采用Pareto支配方法将种群分成若干非支配层;其次是分布性保持,在临界层中,采用分布性保持机制维持种群的分布性.然而在处理高维优化问题(Many-objective optimization problems,MOPs)(目标维数大于3)时,随着目标维数的增加,种群的收敛性和分布性的冲突加剧,Pareto支配关系比较个体优劣的能力也迅速下降,此时传统的MOEA已不再适用于高维优化问题.鉴于此,本文提出了一种基于邻域竞赛的多目标优化算法(Evolutionary algorithm based on neighborhood competition for multi-objective optimization,NCEA).NCEA首先将个体的各个目标之和作为个体的收敛性估计;然后,计算当前个体向量与收敛性最好的个体向量之间的夹角,并将其作为当前个体的邻域估计;最后,通过邻域竞赛方法将问题划分为若干个相互关联的子问题并逐步优化.为了验证NCEA的有效性,本文选取5个优秀的算法与NCEA进行对比实验.通过对比实验验证,NCEA具有较强的竞争力,能同时保持良好的收敛性和分布性.

关 键 词：多目标优化算法 Pareto支配关系  邻域竞赛机制  高维优化问题  

分 类 号：TP18]