自适应多种群NSGA-Ⅲ算法：高维多目标优化的新策略

"改进自适应多种群NSGA-Ⅲ算法的研究" 本文主要关注的是在解决高维多目标优化问题时，对非支配排序遗传算法第三代（NSGA-Ⅲ）的性能提升。传统的NSGA-Ⅲ算法在处理复杂的多目标优化任务时，可能会遇到收敛精度低和搜索效率不高的挑战。为了克服这些限制，作者提出了一种新的自适应多种群NSGA-Ⅲ算法。 首先，该算法将单一的种群结构划分为四个亚种群，每个亚种群都有其独特的交叉算子。这一改进旨在通过差异化的操作增加种群多样性，从而改善全局搜索能力。亚种群的划分和不同交叉算子的应用有助于探索解空间的不同区域，提高算法的寻优效率。 其次，引入了外部最优解集（EXS）的概念。EXS是一个动态维护的最优解集合，通过计算个体对最优解集的贡献程度来自适应地调整各个亚种群的大小。这种机制允许算法根据搜索过程中的信息变化灵活地调整种群结构，以保持较好的种群多样性并提升收敛精度。 最后，为了增强局部搜索能力，算法应用了局部搜索策略来优化EXS。这一步骤有助于在接近最优解时更深入地探索解决方案的邻域，从而可能发现更好的解。 通过对比实验，作者使用了四个不同的测试函数，并与七种其他算法进行了比较。实验结果表明，在处理高维多目标优化问题时，提出的自适应多种群NSGA-Ⅲ算法在性能指标上整体优于其他算法，显示出了更好的收敛性和种群多样性。这为高维度复杂优化问题的求解提供了一个有效的工具。 关键词：高维多目标、非支配排序遗传算法、自适应、多种群 该研究得到了河北省自然科学基金和人才培养项目的资助，由燕山大学电气工程学院和信息科学与工程学院的研究团队完成，其中刘彬教授是通信作者，他的主要研究方向是图像处理和智能算法。团队的其他成员，如王卫涛、武尤和杨有恒，分别在多目标优化、神经网络和图像处理等领域进行了研究。 这项工作提出了一个创新的改进方法，增强了NSGA-Ⅲ算法在处理高维多目标优化问题时的性能，对于优化算法领域的研究具有积极的贡献。