当前进化多目标优化算法的研究热点——求解多目标优化的断型进化范例研究（二）

前言

近年来,粒子群优化、蚁群算法、人工免疫系统、分布估计算法、协同进化算法、密母算法、文化进化算法等一些新的进化范例陆续被用于求解多目标优化问题。本文选取其中2类比较典型的算法进行讨论。

一、基于分布估计算法的多目标优化

（一）分布估计算法

1.特点

（1）分布估计算法是进化计算领域新兴的分支，它是进化算法和统计学习的有机结合。这类算法用统计学习的手段构建解空间内个体分布的概率模型，然后运用进化的思想进化该模型。

（2）该算法没有传统的交叉、变异操作，是一种新的进化模式

（二）基于分布估计思想的多目标优化算法

一些基于分布估计思想的多目标优化算法相继被提出来。

• Khan等学者将 NSGA-II中的选择策略和贝叶斯优化算法(BOA)结合起来，提出了多目标贝叶斯优化算法(mBOA)，取得了比 NSGA-II 更好的效果。
• Laumans等学者把SPEA2 和BOA结合起来用于解决多目标背包问题。
• Zhang和 Zhou 等学者提出了RM-MEDA，该算法是比较经典的用分布估计算法求解多目标优化问题的算法。

（三）RM-MEDA

1.重要结论

Zhang和 Zhou 等学者通过分析决策空间解分布的特点后认为，对于连续多目标优化问题，决策空间解分布的形式是分段连续的(m-1)维流形分布(m 是目标个数)。

2.设计连续多目标优化问题

基于这个结论设计了10个变量之间有链接关系的连续多目标优化问题，并运用局部主分量分析来聚类决策空间中的解，然后对每个类运用主分量分析构建概率模型，再采样该概率模型，产生新的解，并采用了NSGA-II中的快速非支配排序和精英选择。

3.优点

该算法对于变量之间有关联的多目标优化问题的整体效果比 NSGA-II 要好。

二、基于分解的多目标进化算法

（一）思路及典型方法

将多目标优化问题转换为单目标优化问题是用数学规划方法求解多目标优化问题的基本策略,典型的转换方法包括权重和法、柴贝彻夫法(Tchebycheff approach)、边界交集法等。

（二）代表性算法

近两年Zhang 和 Li将这种传统的多目标求解策略与进化算法相结合构造了一种新颖的基于分解的多目标进化算法(MOEA/D)。

1.MOEA/D算法介绍

该算法将通近整个 Pareto 前沿面的问题分解为一定数量的单目标优化问题，然后用进化算法同时求解这些单目标优化问题算法维持一个由每个子问题的当前最优解组成的种群，子问题之间的近邻关系定义为子问题权重向量之间的距离。每个子问题的优化过程，通过与其近邻子问题之间的进化操作来完成。

2.地位

该算法成功地将数学规划中常用的分解方法引入到进化多目标领域，而且可以直接采用进化算法求解单目标优化问题时的适应度分配和多样性保持策略。

后差分进化操作又被成功地引入 MOEA/D。有真实实验结表明将数学规划方法与进化算法相结合是求解多目标优化问题的一种有效方法,为进化多目标优化提供了一种新思路。