樽海鞘优化算法

3.4多目标樽海鞘算法Multi-objective Salp Swarm Algorithm (MSSA)

如第2节所述，多目标问题的解是一组称为Pareto最优解集的解。SSA算法能够驱动Salps朝向食物源，并在迭代过程中进行更新。然而，该算法不能解决多目标问题，主要有以下两个原因：

1. SSA只保存一个解作为最优解，因此不能存储多个解作为多目标问题的最优解。

2. SSA在每次迭代中用迄今为止得到的最优解更新食物源，但对于多目标问题没有单一的最优解。

第一个问题是通过为SSA算法配备食物源存储库来解决。该存储库保持了优化过程中迄今为止获得的最佳非支配解，并且与多目标粒子群优化( MOPSO )中的存档非常相似[ 78 ]。存储库有一个最大的大小来存储有限数量的非支配解。在优化过程中，使用Pareto支配算子将每个沙盘与所有存储库居民进行比较。如果一个salp在存储库中支配一个解，则必须交换它们。如果一个salp支配了存储库中的一组解，则应该将它们全部从存储库中移除，并在存储库中添加salp。如果储存库居民中至少有一人在新种群中占据主导地位，则应立即丢弃。如果一个salp相对于所有存储库居民都是非支配的，则必须将其添加到存档中。

这些规则可以保证存储库始终存储算法到目前为止得到的非支配解。然而，有一种特殊情况，即储备库变得满员，并且与储备库居民相比，沙拉是非支配的。当然，最简单的方法是随机删除存档中的一个解，并用非支配解替换。更明智的做法是移除存储库中相似的非支配解之一。由于后验多目标算法应该能够找到均匀分布的Pareto最优解，因此从存档中移除的最佳候选解是位于人口密集区域的。这种方法在迭代过程中改善了存档居民的分布。