DCDG-EA：高维多目标优化的动态收敛-多样性进化算法

"这篇论文提出了一种名为DCDG-EA(动态收敛-多样性指导的进化算法)的新方法，专门用于解决高维多目标优化问题(MaOPs)。作者是李智勇和林可，来自湖南大学信息科学与工程学院及湖南省嵌入式与网络计算重点实验室。该算法通过分解技术将目标空间划分为多个子空间，每个子空间拥有独立的子种群，并平行进化。论文着重强调了在进化算法中保持收敛性和多样性平衡的重要性，并提出了两种策略，即基于收敛性和多样性的算子选择(CDOS)策略和基于收敛性和多样性的个体选择(CDIS)策略，以实现这种平衡。CDOS策略根据算子的收敛性和多样性回报来确定选择概率，选择最合适的算子生成后代。而CDIS策略则通过两个距离度量来分别控制收敛性和多样性，以更新子种群。实验结果显示，DCDG-EA在15个目标的DTLZ基准测试问题上，相对于其他四种主流的多目标优化算法，表现出显著的收敛性和多样性优势。关键词包括高维多目标优化、收敛性、多样性、分解、进化算法和Pareto最优。" 在这篇研究论文中，作者探讨了多目标优化领域的一个关键挑战，即如何在进化算法中有效地平衡收敛性与多样性。传统的多目标优化算法在处理双目标或三目标问题时表现出色，但当问题复杂度增加，涉及更多目标时，这些算法的性能往往急剧下降。为了应对这一挑战，DCDG-EA引入了一种创新的动态策略，通过分解目标空间和并行进化不同子种群来提升优化效率。 DCDG-EA的核心在于CDOS和CDIS策略。CDOS策略是一种选择算子的方法，它根据算子在促进收敛性和维护多样性方面的表现来分配选择概率，从而选择出更有利于全局优化的算子进行后代生成。另一方面，CDIS策略则是对个体选择的改进，它不再单纯依赖于Pareto优势，而是利用两个距离度量来衡量个体的收敛性和多样性，这有助于避免过度优化某一目标而牺牲其他目标的多样性。 通过在多目标优化的经典测试集DTLZ上进行实验，DCDG-EA的优越性得到了验证。实验结果证明，无论是在收敛速度还是在维持解决方案多样性方面，DCDG-EA都明显优于其他四种比较的算法。这表明，DCDG-EA为高维多目标优化问题提供了一种高效且平衡的解决途径，有望在实际应用中解决复杂多目标优化问题。