改进的多目标元胞遗传算法：邻居自适应与性能提升

本文研究了一种创新的算法——基于邻居自适应的多目标元胞遗传算法，旨在解决经典多目标元胞遗传算法中存在的局限性。当前的多目标元胞遗传算法往往依赖于固定的邻居结构，这限制了其在搜索过程中的灵活性，可能导致算法陷入局部最优。作者针对这一问题提出了新的策略，即引入邻居自适应机制，使得算法能够动态地调整邻居结构，从而在全局搜索和局部优化之间找到一个平衡。 在算法的设计中，经典元胞遗传算法作为基础框架被保留，但关键在于如何通过邻域的选择和调整来增强算法的性能。这种自适应邻居策略允许算法根据当前搜索状态和问题特性，动态地选择合适的邻居进行信息交换和变异操作，提高了搜索的效率和多目标优化的效果。 实验部分，研究者对比了这个新算法与其他流行多目标进化算法，如NSGA-II、MOEA/D等，通过针对20种不同类型的标准基准测试函数进行了详尽的测试。结果表明，基于邻居自适应的多目标元胞遗传算法在收敛速度、解决方案多样性以及对复杂问题的处理上表现出显著的优势，展示了良好的收敛性和扩展性。 此外，本文还提到了研究背景，包括国家自然科学基金项目的资助，以及作者团队的构成，包括张屹副教授、刘铮硕士研究生和卢超博士研究生，他们分别在智能算法与优化设计领域有着深厚的学术背景和研究专长。 这项研究不仅提升了多目标优化算法的性能，还为解决实际问题提供了新的视角和方法，对于多目标优化领域的理论研究和实际应用具有重要的推动作用。