DE参数自适应：一种基于距离的MOEA/D机制

"这篇研究论文提出了一种名为MOEA/D-DPA的新型多目标进化算法，该算法基于分解策略，并采用距离相关的参数自适应机制来调整微分进化（DE）算子的参数，以提高多目标优化问题的解决效率。在MOEA/D-DPA中，DE的参数如比例因子F和交叉率CR会根据子问题间的距离级别进行自适应调整，以平衡探索和开发。算法首先根据子问题间的距离定义距离空间并划分级别，然后利用同一级别的成功参数生成新参数。此外，还会对特定距离级别的邻域大小进行采样，以适应性地调整参数。实验通过对比CEC-2009竞赛中的9个WFG.test问题和10个无约束测试问题，显示MOEA/D-DPA相对于其他五种自适应MOEA/D具有竞争力，特别是在WFG.test问题上的表现。" 在多目标优化领域，基于分解的多目标进化算法（MOEA/D）因其在处理复杂问题时的有效性而受到广泛关注。然而，算法的性能很大程度上取决于其参数设置。微分进化算法（DE）作为一种常用的求解策略，其参数如比例因子F和交叉率CR对算法性能有着显著影响。针对这一问题，研究者们设计了MOEA/D-DPA，这是一种创新的方法，它引入了距离相关性来动态调整DE的参数。 MOEA/D-DPA的核心是利用子问题之间的距离信息来指导参数的自适应调整。这种方法考虑了DE操作的父代解的相似性，有助于在搜索空间的探索和开发之间找到一个平衡。通过将距离空间划分为多个级别，算法能够根据解的分布情况动态地调整F和CR的值。在同一距离级别的成功参数被用来生成新的参数，同时，邻域大小的采样也是基于特定距离级别，以实现更有效的搜索策略。 为了验证MOEA/D-DPA的有效性，论文进行了详尽的实验，选择了CEC-2009多目标优化竞赛中的问题集，包括9个WFG.test问题和10个无约束问题。实验结果表明，MOEA/D-DPA在大多数情况下与现有的五种自适应MOEA/D算法相比表现优越，尤其是在解决WFG.test问题上，显示出更强的优化能力。 这项工作为多目标优化提供了一个新的视角，即利用距离信息来改进DE参数的自适应策略，这对于提高多目标优化算法的性能和鲁棒性具有重要意义。未来的研究可能将进一步探讨这种自适应机制在其他优化算法中的应用，或者扩展到更广泛的问题领域。