MOEA/D的框架

最新推荐文章于 2024-03-30 10:00:24 发布

Air_IoT

最新推荐文章于 2024-03-30 10:00:24 发布

阅读量457

点赞数

文章标签：算法人工智能

原文链接：https://blog.csdn.net/qq_36317312/article/details/107245961?ops_request_misc=&request_id=&biz_id=102&utm_term=%E5%A4%9A%E7%9B%AE%E6%A0%87%E4%BC%98%E5%8C%96%E9%97%AE%E9%A2%98&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-7-

版权

MOEA/D的框架
整体框架
令λ1,…,λN为一组均匀分布的权重向量。通过使用切比雪夫法，可以将PF近似的问题分解为标量优化子问题，第j个子问题的目标函数是

在一次运行中，MOEAD同时优化所有的N个目标。
在每次迭代中，应维持的一些：

大小为N的种群,x1,…xN，xi表示第i个子问题的当前解；
FV1,…,FVN，FVi=F(xi)；
zi表示目标函数fi(x)当前找到的最优值(最大值) ；
一个外部种群（EP），用来保存非支配解；
算法流程

STEP1:初始化

1)计算权重向量之间的欧式距离，对于每个权重向量λ得到离它最近的T个权重向量存在B(i)，所以向量终端一定在橙线（y=−x+1 y=-x+1y=−x+1）上，所以欧式距离越小，表示越相邻；

2）随机生成初始种群

4）EP–>外部种群

SETP2:种群更新
SETP3:结束

实验结论
最终实验结果：
1.在多目标0-1背包问题和连续多目标优化问题上，MOEA/D以简单的分解方法优于或接近于MOGLS和NSGA-II。
2.使用目标归一化的MOEA/D可以处理不同规模的目标，采用高级分解方法的MOEA/D可以为3个目标测试实例生成一组分布非常均匀的解。
3.对MOEA/D在小种群情况下的能力、MOEA/D的可扩展性和灵敏度进行了实验研究。

ps：初学多目标进化算法，也是看了很多大佬的博客以及原文进行理解总结，如果有一些不对的地方还请大佬们进行批评指正，同时也借鉴了这些博客，如果想要深入了解，可以看下面博客。
https://blog.csdn.net/sinat_33231573/article/details/80271801
https://blog.csdn.net/loveC__/article/details/86624177
https://blog.csdn.net/qithon/article/details/72885053
https://blog.csdn.net/qq_35414569/article/details/79655400
https://blog.csdn.net/qithon/article/details/72885053
————————————————
版权声明：本文为CSDN博主「研行笔录」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_36317312/article/details/107245961