基于回归分析的多目标进化算法

众所周知,具有目标函数的连续多目标优化问题的帕累托集是分段的在某些温和条件下决策空间中的连续(− 1)维流形。 但是,如何利用设计多目标优化算法的规律性已成为研究的重点。 本文基于这种规律性,提出了一种基于模型的回归分析多目标进化算法(MMEA-RA),以解决变量链接连续的多目标优化问题。 在该算法中,通过概率分布将优化问题建模为决策空间中的有希望区域,并且概率分布的质心为(-1)维分段连续流形。 最小二乘法用于构建这样的模型。 基于非支配排序的选择策略用于选择下一代的个体。 测试了新算法,并与NSGA-II和RM-MEDA进行了比较。 结果表明,在具有可变链接的测试实例上,MMEA-RA的性能优于RM-MEDA和NSGA-II。 同时,MMEA-RA具有比其他两种算法更高的效率。 本文还发现并讨论了MMEARA的一些缺点。