控制与决策

作者：崔美姬,曾流生,朱书伟,方伟,田梦楚

单位：南京理工大学 智能制造学院，南京 210094;康养智能化技术教育部工程研究中心，江苏 无锡 214122,,江南大学 人工智能与计算机学院，江苏 无锡 214122,,康养智能化技术教育部工程研究中心，江苏 无锡 214122;江南大学 人工智能与计算机学院，江苏 无锡 214122,,康养智能化技术教育部工程研究中心，江苏 无锡 214122;江南大学 人工智能与计算机学院，江苏 无锡 214122,,南京理工大学 智能制造学院，南京 210094,

关键词：超多目标优化;进化优化;不规则Pareto前沿;参考向量

基金：国家自然科学基金项目(62206113)；江苏省自然科学基金项目(BK20230923, BK20221067)；江苏高校哲学社会科学研究项目(2024SJYB0033)；康养智能化技术教育部工程研究中心开放课题项目(JYBJNKY-2024-03).

现实场景中, 超多目标优化问题(MaOPs)往往受到约束条件、冗余信息或高度非线性的影响, 导致其Pareto前沿呈现出不规则形态. 针对此类问题, 进化算法在求解时面临两大挑战: 解的选择压力显著减弱; Pareto最优解分布不均匀. 鉴于此, 提出一种自适应参考向量增强泛化Pareto支配的超多目标进化算法(ARP-MaOEA). 该算法通过泛化Pareto支配机制确保种群向真实的PF收敛, 同时利用参考向量增强个体选择以保持种群的多样性. 为了提升算法对不同形态PF的适应性和鲁棒性, 提出一种自适应参考向量策略, 该策略能够根据种群进化信息自动剔除无效的参考向量, 并基于非支配解动态添加新的参考向量. 在具有不同PF形态的MaOPs上进行一系列仿真实验以验证ARP-MaOEA算法的有效, 实验结果表明, ARP-MaOEA在处理不规则MaOPs时的表现优于其他对比算法, 展现了其在解决此类问题上的优势.

来源：2025年第11期

《控制与决策》期刊编辑部

查看控制与决策杂志2025年第11期