控制与决策

作者：王博,刘建昌,张伟,刘圆超,谭树彬

单位：东北大学 信息科学与工程学院，沈阳 110819;工业智能与系统优化国家级前沿科学中心，沈阳 110819,,东北大学 信息科学与工程学院，沈阳 110819;工业智能与系统优化国家级前沿科学中心，沈阳 110819,,东北大学 信息科学与工程学院，沈阳 110819;工业智能与系统优化国家级前沿科学中心，沈阳 110819,,东北大学 信息科学与工程学院，沈阳 110819;工业智能与系统优化国家级前沿科学中心，沈阳 110819,,东北大学 信息科学与工程学院，沈阳 110819;工业智能与系统优化国家级前沿科学中心，沈阳 110819,

关键词：高维多目标优化;进化算法;角分解机制;多阶段自适应删除策略

基金：国家自然科学基金面上项目(62273080)；中国博士后创新人才支持计划项目(BX20240059)；中国博士后科学基金面上项目(2024M750372)；高等学校学科创新引智计划“111计划”项目(B16009).

针对大多数现存高维多目标进化算法仍无法在高维空间中有效平衡种群收敛性与多样性的问题, 提出一种基于角分解辅助的多阶段高维多目标进化算法(AMEA). 该算法协作角分解机制与多阶段自适应删除策略逐一淘汰种群中性能较差的个体, 进而平衡种群的收敛性和多样性. 前者选取一对夹角最小的个体, 其意味着它们最为相似; 后者根据种群的进化状态自适应地淘汰这对个体中性能较差的个体. 当种群处于未收敛于Pareto前沿状态时, 删除策略淘汰收敛性较差的个体, 以加速种群收敛. 如果这对个体具有相同的收敛性, 删除策略则淘汰多样性较差的个体. 反之, 删除策略利用所设计的综合性能指标来淘汰收敛性和多样性都较差的个体, 以提升种群的综合性能. 此外, 所提出算法设计了基于径向空间投影的匹配选择策略来选取收敛性和多样性都良好的父代个体进入匹配池, 进而提高算法探索高维空间的能力. 实验结果表明, AMEA在处理高维多目标优化问题时具有较强的竞争力, 能有效地平衡种群的收敛性与多样性.

来源：2025年第5期

《控制与决策》期刊编辑部

查看控制与决策杂志2025年第5期