MOEA/D原理及pyton实现

MOEA/D 算法

基于分解的多目标进化算法（MOEA/D）2007年提出[1]。MOEA/D算法是一种基于分解的多目标优化算法，它将一个多目标优化问题分解成若干个标量优化子问题，并同时对其进行优化。于分解操作的存在，该方法在保持解的分布性方面有着很大优势，而通过分析相邻问题的信息来优化，能避免陷入局部最优。

[1]这篇论文把分解的思想用到了进化计算中，之前这些方法大都用在传统解决优化问题的方法上

将PF的近似问题转化为标量优化问题的方法

• 权重和方法
• 切比雪夫方法
• 边界交叉法

辅助理解这个算法的

• https://www.docin.com/p-1627227465.html [感觉翻译了论文的绝大部分]
• https://blog.csdn.net/sinat_33231573/article/details/80271801
• https://blog.csdn.net/qq_35414569/article/details/79655400 [对这三种方法的解释比较好]

---

MOEA/D算法流程

输入：

• 多目标优化的目标函数
• 算法终止条件（迭代次数）
• N定义的种群大小
• 均匀分布的N个权重向量
• T:每个临域中权重向量的个数

算法流程

1. 初始化
   1.1 N个均匀分布的权重向量： ${\lambda }_1,\dots {\lambda }_N,i=1,\dots ,N$，并计算每个权重向量最近的T个权重向量B(i)
   1.2. 在可行空间中均匀采样初始化的种群
   1.3. 初始化z(每个目标函数的最优值，根据需要最大化还是最小化进行初始化)
   1.4. 设置外部种群EP为空
2. 当小于迭代次数的时候
   2.1. 从B(i)中随机选取两个序号k,l,由$x^k和x^l$产生一个新的解y
   2.2 对产生的解进行修复改正
   2.3 更新z:若$z_j<f_j(y)$，则$z_j=f_j(y),j=1,\dots ,nObj$
   2.4 更新邻域解：若$g^{}$