经典多目标分解算法MOEA/D

International Journal of Complexity in Applied Science and Technology，收录进化计算，机器学习和大数据方面的论文， 网址：https://www.inderscience.com/jhome.php?jcode=ijcast  

MOEA/D（Multi-Objective Evolutionary Algorithm based on Decomposition）是一种基于分解的多目标进化算法。其主要特点和贡献包括以下几个方面：

特点

1. 分解方法：

   • MOEA/D将多目标优化问题分解为若干单目标优化子问题，每个子问题对应一个加权求和函数、切比雪夫函数或其他分解方法。
   • 通过解决这些子问题来近似原始的多目标优化问题，保证了对整个帕累托前沿的良好覆盖。

2. 邻域关系：

   • MOEA/D利用子问题之间的邻域关系，在种群进化过程中相互交换信息，增强种群的多样性。
   • 每个子问题与其邻域中的若干个子问题共同进化，促进解的共享和传播。

3. 并行计算：

   • 由于各个子问题相互独立，可以并行处理，提升了算法的计算效率。
   • 这种并行性使得MOEA/D在处理大规模、多目标优化问题时具有显著优势。

4. 适应性强：

   • MOEA/D可以结合多种不同的分解方法（如加权求和法、切比雪夫法等），根据问题的特点灵活选择。
   • 对高维多目标优化问题具有较强的适应性。

主要贡献

1. 新颖的算法框架：

   • MOEA/D提出了一种全新的基于分解的多目标优化框架，与传统的基于非支配排序的方法不同，开创了多目标进化算法的新方向。

2. 高效性和可扩展性：

   • 通过分解和并行处理，MOEA/D在解决大规模和复杂的多目标优化问题时表现出较高的计算效率和良好的扩展性。
   • 实验证明，MOEA/D在处理具有高维目标空间的问题时，具有较好的性能和稳定性。

3. 邻域信息的有效利用：

   • 利用子问题的邻域关系进行信息交换和共享，有效提升了种群的多样性和算法的全局搜索能力。
   • 这种基于邻域的进化策略在维护种群多样性和提高解的质量方面起到了重要作用。

4. 广泛应用：

   • MOEA/D被广泛应用于各类实际工程问题，如供应链优化、调度问题、资源分配、网络设计等，证明了其实际应用价值。
   • 其思想和框架也被后续的多目标优化算法所借鉴和改进。

MOEA/D通过将多目标优化问题分解为若干单目标优化子问题，并利用邻域关系进行信息共享和进化，提供了一种高效、灵活且适应性强的多目标优化算法框架。其提出不仅拓宽了多目标进化算法的研究视野，也在实践中展示了强大的应用潜力。