分布估计算法与差分进化结合的多目标优化

"陶新民等人提出了一种结合分布估计算法和差分进化算法的多目标优化方法，旨在提高算法的收敛速度和求解精度。这种方法在搜索过程中动态调整两种算法的比例，初期利用分布估计算法快速定位，随后差分进化算法进行精细化搜索。同时，他们还对差分进化算法的变异因子进行了改进，引入可变的变异因子来适应不同搜索阶段的需求。通过4个测试函数的仿真测试，证明了该算法在收敛性和分布性上的优势，并与NSGA-Ⅱ和RM-MEDA进行了对比，显示出了良好的性能稳定性。" 在多目标优化问题中，算法的设计至关重要，因为这类问题通常涉及多个相互冲突的目标函数，需要找到一组非劣解构成的帕累托前沿。本文提出的组合分布估计和差分进化算法是针对这一挑战的一种创新解决方案。 分布估计算法是一种群体智能优化方法，它通过学习和更新种群中个体的分布模型来指导搜索过程。在本研究中，分布估计算法被用于搜索初期的快速定位，帮助算法迅速探索问题的可行域，找到潜在的帕累托解。 差分进化算法是一种基于种群的全局优化算法，其主要机制是通过变异、交叉和选择操作来改进种群。在搜索后期，差分进化算法的精细搜索能力能够帮助算法深入挖掘局部最优解，提高解的质量。作者对差分进化算法的变异因子进行了改进，定义了一个可变的变异因子，以适应不同搜索阶段的需要。这种动态调整变异因子的策略有助于保持算法的探索能力和收敛性。 实验部分，研究者使用了四个测试函数来验证新算法的效果，并将其性能与两个经典的多目标优化算法——NSGA-Ⅱ（非支配排序遗传算法第二代）和RM-MEDA（随机修正的多目标分布估计算法）进行了对比。NSGA-Ⅱ以其优秀的帕累托前沿生成能力而闻名，而RM-MEDA则结合了遗传算法和分布估计算法的优点。通过实验结果，新算法展现出了在收敛速度和解的分布性上的优势，表明了其在多目标优化问题中的有效性和稳定性。 这篇研究展示了如何通过结合不同优化策略，如分布估计算法的快速定位和差分进化算法的精细化搜索，以及动态调整算法参数，来提升多目标优化算法的性能。这样的混合方法对于解决复杂多目标问题具有很高的潜力，可以为实际工程和科学研究中的优化问题提供有价值的工具。