UEA-NSGA-II：一种基于外部归档集同步更新的多目标优化改进算法

"这篇论文研究了NSGA-II（非支配排序遗传算法第二代）在多目标优化问题中的局限性，并提出了一种改进算法——UEA-NSGA-II（基于同步更新外部归档集的NSGA-II）。UEA-NSGA-II在算法执行过程中，考虑了父子代种群的独立个体分布，避免了优秀个体的过早淘汰，提高了收敛结果的分布质量。通过随机填充非支配个体到外部归档集，并利用拥挤系数进行归档集的修剪，增强了算法的多样性保持能力。此外，针对二进制编码可能导致的局部最优问题，该算法结合了格雷码编码和动态变异算子，提升了算法在解空间的搜索效率和广度。实验结果表明，UEA-NSGA-II在ZDT系列测试问题上相比于标准NSGA-II和其他几种改进算法，表现出更高的稳定性和优化性能。" 多目标优化问题（MOP）是科学和工程领域常见的挑战，涉及到多个互相冲突的目标，这些目标需要同时优化。NSGA-II作为一种多目标进化算法，通过非支配排序和拥挤距离概念来寻找Pareto最优解集。然而，NSGA-II在计算拥挤系数时忽略了种群的个体分布，可能导致优秀解的丢失。 为了改进NSGA-II，研究者们提出了UEA-NSGA-II。这个新算法引入了外部归档集，并在迭代过程中同步更新，确保了种群多样性的维持。外部归档集存储了非支配个体，避免了优秀解的过早剔除。同时，通过拥挤系数算子，可以有效地剪枝归档集，保持种群的适度规模，从而改善收敛性。 对于二进制编码可能导致的局部最优问题，UEA-NSGA-II采用了格雷码，这种编码方式减少了邻域结构中的重复解，增加了搜索的多样性。动态变异算子则进一步提高了算法在解空间的探索能力，加速了全局最优解的发现。 在ZDT系列测试问题上的实验对比显示，UEA-NSGA-II在稳定性、优化效果和Pareto前沿的均匀性方面优于其他比较的算法，包括标准NSGA-II以及其他的NSGA-II改进版本。这表明UEA-NSGA-II是一种有潜力的多目标优化算法，能够有效处理复杂的优化问题。