论文解读：Multiobjective nondominated neighbor coevolutionary algorithm with elite population （NNCA）

---

前言

• 精英机制(Elitism)，在EAs中经常被用来维护好的解，即精英个体。如何利用精英个体来指导搜索过程尚未得到充分研究。
• 维持多样性搜索，提升算法收敛性能，同时降低算法复杂度一直是MOEA设计过程中的重要话题。
• 基于邻域的非支配选择(Nondominated Neighbor-based Selection, NNS)机制
  NNS的主要思想是，在开始启发式搜索之前，根据拥挤距离选择一定数量非支配个体的方法。其最早在NNIA算法(Gong, 2008)中被证明是简单有效的选择技术，作者进一步地根据拥挤距离针对选择的结果按比例进行个体复制（这一点与NNCA不同，后面会提到）。但面对那些早期阶段拥有较少非支配解的所谓的困难问题时，NNS表现效果不佳。
• 搜索停滞(Search Stagnation)问题
  通过分析发现，当非支配解集较小时，NNS会使得算法仅仅围绕有限的非支配解附近搜索，从而导致搜索停滞并出现片面的PF。这一现象被称为"搜索停滞"问题。这也是在使用NNS时所要考虑的主要问题。
• 精英种群规模保障机制(Size Guarantee Mechanism, SGM)
  为了避免搜索停滞，NNCA提出可通过SGM机制来改进NNS的性能。
  SGM的主要思想是：当精英种群(全部非支配解种群 “DT”)规模小于预设值nE时，从后备种群（全部支配解种群 “I”）中随机挑选一些支配个体加入精英种群中，以保证精英种群规模达到nE。
  随机支配解的加入，增加了精英种群的多样性。因此算法可以不受有限非支配个体的限制，从而避免了搜索停滞现象。

---

NNCA介绍

算法提要

NNCA属于一种基于目标解演化的CMOES，该类竞争协同演化算法的特点是：竞争的两个种群，其中一个由问题可能的解组成，而另一个由问题每个目标下我们期望达到的结果组成。
基于以上分析，在NNCA中采用了双种（Pop_elite, Pop_common）群模式，其中前者作为后者的目标，二者在进化过程中相互竞争。

关键步骤

1. 计算Pop_elite中个体的 拥挤距离
2. 根据拥挤距离估计属于每个elite的 Team Size
3. 与NNIA不同的是，在NNCA中，当NNS执行完之后，处于less-crowded区域的精英个体被赋予更多的机会为自身 群体选择 更多个体，因此，其附近区域也将得到更加充分的搜索。
4. 建立Team 即，通过两种合作方式(四种遗传操作)繁殖新个体：
   对称算子（OCO, SBX）：精英与精英个体配对
   非对称算子（HCO, HMO）：精英与其他个体配对；
5. 总的来说，Pop_elite趋向于促进种群的收敛，而Pop_common有利于维持种群多样性。
6. NNCA的主要动机是通过精英种群的演化，引导算法搜索更有希望的区域，并模拟人类社会团队间的合作行为来解决多目标优化问题。