解耦与支配结合的多目标进化算法：组合优化新方法

"组合优化的外部档案指导的基于分解的多目标进化算法是研究论文，主要探讨了一种将支配策略和分解策略相结合的多目标进化算法，用于解决具有两个或三个目标的组合优化问题。该算法在内部（工作）种群和外部归档之间运作，通过分解策略进化工作种群，并利用支配策略维护外部归档。从外部归档提取的信息用于确定每个代应搜索的搜索区域，使两种策略相互补充。实验研究证明了所提算法的有效性。" 在多目标优化问题中，通常需要同时考虑多个相互冲突的目标，这使得找到一个单一的最佳解变得困难。基于分解的多目标进化算法（MOEA）是一种解决此类问题的有效方法，它将复杂的问题分解成多个子问题，每个子问题对应于一个目标的优化。在本研究中，算法将这种分解策略与基于支配的排序策略结合起来，以提高搜索效率和解决方案的多样性。 支配策略是多目标优化中的基础概念，它用于比较两个解决方案的优劣。一个解决方案如果在所有目标上都至少不劣于另一个方案，那么它就支配这个方案。通过对种群进行支配排序，可以识别出非支配解的集合，这些解构成了帕累托前沿，代表了问题的最优解集。 在该算法中，外部归档用于存储过去的优秀解，它有助于保持种群的多样性并避免早熟。通过外部归档的信息，算法能够识别出尚未充分探索的搜索区域，指导工作种群的进化方向。这样，支配策略和分解策略相辅相成，既保证了解的全局搜索能力，又确保了对局部最优解的精细探索。 实验部分，研究者可能对比了提出的新算法与其他已知的多目标优化算法，例如NSGA-II或MOEA/D，以验证其性能。结果可能会展示在不同的组合优化问题上，新算法在找到帕累托前沿的覆盖率、均匀性和收敛速度等方面的优越性。 这篇研究论文提出了一个创新的多目标进化算法，它结合了两种互补的策略，以更有效地解决组合优化问题。这种方法不仅适用于理论研究，也有望在实际工程问题和复杂决策系统中找到应用。