改进的MHS-EDA：和声搜索与分布估计混合算法解决多目标优化

本文主要探讨了一种名为"多目标和声搜索—分布估计混合算法(MHS-EDA)"的研究，针对和声搜索算法在处理多目标优化问题时存在的不足。和声搜索是一种启发式搜索方法，它通过模仿音乐中的和声原理来寻找优化解，但在处理复杂且多目标的优化问题时，其全局搜索能力往往受限。MHS-EDA算法旨在改进这一情况。 算法的核心在于结合了分布估计技术。首先，它利用分布估计的采样操作扩展了和声记忆库，这一步骤增加了搜索空间的多样性，有助于发现更广泛的潜在最优解。分布估计通过模拟多个可能的解决方案，增强了算法在处理不确定性和多模态性问题上的适应性。 另一方面，MHS-EDA还引入了外部档案搜索，使得算法能够在和声记忆库之外探索其他个体的解决方案，实现了群体间的有效信息交流。这种信息共享机制有助于算法跨越局部最优区域，提高全局搜索的效率和质量。 为了验证算法的有效性，研究者选择了六种常用的多目标测试函数，包括ZDT、DTLZ、WFG等，这些函数被广泛用于评估多目标优化算法的性能。实验结果显示，MHS-EDA相较于多目标遗传算法（MOGA）、多目标分布估计算法（MDOA）和传统的多目标和声搜索算法，能够更有效地解决多目标优化问题，显示出显著的优化效果。 作者团队由四位研究人员组成，包括讲师级别的郝冰、任献花以及教授级的高岳林和江巧永，他们的研究领域涵盖了智能计算、金融数学与金融工程等多个方面，这体现了他们在多目标优化领域的深厚理论基础和实践经验。 这篇论文的重要贡献是提出了一种创新的混合策略，通过结合和声搜索的灵活性和分布估计的全局视野，显著提升了多目标优化问题的求解能力，为解决实际复杂问题提供了新的思路和技术支持。