区间参数下模因算法提升多目标优化效率

本文主要探讨了"具有区间参数的多目标优化问题的模因算法"这一领域的重要课题。多目标优化问题（Multi-objective Optimization Problems, MOOPs）在实际生活和工业应用中广泛存在，尤其是在处理不确定性因素和复杂决策场景时。区间参数（Interval Parameters, IMOPs）进一步增加了优化问题的复杂性，因为它们考虑了参数的不确定性。 现有的针对IMOP的进化算法（Interval Metaheuristic Optimization Algorithms, IMOEAs）在求解过程中面临着挑战：它们往往需要大量的函数评估来逼近Pareto前沿，即非劣解集合，这个前沿通常期望是收敛良好且分布均匀的。然而，由于IMOP的特性，产生的前沿可能存在很大的不确定性，这可能影响算法的效率和结果的可靠性。 为了改进这种情况，作者提出了一种结合了局部搜索策略的模因算法。该算法首先利用现有的IMOEAs对整个搜索空间进行全面探索，然后通过监测超体积（Hypervolume，衡量解集的多样性指标）的变化率，设计了一种激活机制。这种机制能够智能地决定何时启动局部搜索，以针对性地改进当前解决方案集中的瓶颈部分。 局部搜索的策略是关键创新之一。它以那些对大容量（可能表示多个目标的权衡平衡）和小不精确度有较大贡献的个体为核心，构建起局部搜索的初始种群。适应度函数被调整为优先考虑对大体积的贡献，这样可以确保局部搜索更有效地聚焦于那些可能带来显著改进的区域。 实验部分，作者将这种新的模因算法应用于六个基准IMOP问题以及一个实际应用问题——太阳淡化系统的不确定优化。通过与标准的IMOEAs进行对比，实验结果显示，嵌入局部搜索的模因算法在收敛速度、前沿质量以及处理不确定性的能力上都有显著提升，证明了该算法在解决具有区间参数的多目标优化问题上的有效性。 这篇文章的主要贡献在于提出了一种集成局部搜索的IMOEAs，有效解决了IMOP中的不确定性问题，并在实证研究中展示了其优越性。这一研究成果对于优化理论和实践都有重要的意义，特别是在处理复杂系统优化问题时，能够提高计算效率并减少不确定性的影响。