论文研究 函数双向S 粗集的信度特征.pdf

基于Pareto支配的MOEA存在着一些缺陷，如容易出现退化现象等。而基于ε支配的MOEA可以比较好地解决这些问题，并具有比较理想的收敛性和分布性。但是采用传统的ε-MOEA时，最大的困难就是ε的值的设定，并且传统的MOEA得出的解在边界部分个体的丢失现象也比较严重。针对这种情况提出了一种新的基于动态ε支配的多目标遗传算法（DEMOEA），它不需要手动设定ε的值，并且引入了动态网格概念来改善边界解丢失的现象。通过与其他两个经典的多目标进化算法的NSAGA-II和SPEA-2的对比实验，表明提出的DEMOEA能在收敛性、分布性有较好的改进。