王丽萍,林豪,潘笑天,俞维
2021, 49(4): 355-367.
当前求解大规模优化问题的关键在于决策变量的有效分组。随着决策变量规模的增大,决策变量间以及决策变量与目标函数间的关系愈加复杂。在总的适应度评价次数给定的条件下,决策变量分组所消耗的适应度评价次数越多,种群进化过程中所剩适应度评价次数越少,从而影响算法收敛能力,导致解集质量下降。为解决以上问题,首先,提出了一种决策变量交互识别策略,该策略能够以较少的适应度评价次数,识别决策变量的潜在交互结构并形成子组件,实现每个子组件间关联性最小;其次,在决策空间中根据个体间角度来划分每个子组件的邻域范围;最后,结合MOEA/D算法框架,提出了MOEA/D-IRG(基于决策变量交互识别的多目标优化)算法分别独立优化各个子组件。仿真实验结果表明:在LSMOP1-4测试问题上,随着决策变量规模的增加,MOEA/D-IRG算法性能明显优于NSGA-II、MOEA/D和S3-CMA-ES算法,所获解集质量更高。