双链结构的DCMOEA：高效多目标优化算法

本文主要探讨了一种创新的多目标优化算法——双链结构多目标进化算法（DCMOEA）。该算法的核心特征在于其独特的个体表示方式，每个个体被表示为两条相互关联的链，这使得算法能够更有效地处理多目标优化问题。传统的多目标优化算法往往依赖于外部归档集合来维护种群多样性，而DCMOEA则巧妙地通过ε-支配策略（ε-dominance）来实现这一功能，即在满足一定阈值的情况下，允许非劣解之间存在一定程度的竞争，从而保持种群的多样性。 在设计上，DCMOEA避免了设置额外的归档机制，简化了算法的复杂度，提高了效率。它在实验中被应用到四个二目标的ZDT函数和四个三目标的DTLZ问题上进行评估，这些函数是多目标优化领域中常用的标准测试基准。实验从三个关键性能指标进行比较：解集的收敛性、分布均匀性和宽广性。这三个指标分别衡量算法在搜索过程中的收敛速度、解的分布平等以及寻找整个决策空间可行解的能力。 实验结果显示，DCMOEA在所有测试场景下都表现出了优越的性能，尤其是在综合性能上，超越了MOEA/D、NSGA-II、SPEA2和PAES等经典算法。这表明DCMOEA在处理多目标优化问题时具有很强的竞争力，能够有效地平衡多个目标之间的冲突，提供高质量的解集。 总结来说，本文提出的双链结构多目标进化算法（DCMOEA）在个体表示、多样性维持以及性能表现上都展现出了独特的优势，为多目标优化领域的研究者提供了一个新的视角和工具，对于解决实际问题具有重要的理论价值和实践意义。