改进型NSGA-III算法：基于参考点选择策略

"《基于参考点选择策略的改进型NSGA-III算法》1" 本文主要探讨了在多目标优化问题中，如何通过改进传统的非支配排序遗传算法第三版（NSGA-III）来提高算法的性能。由耿焕同、戴中斌、王天雷和许可共同完成的研究，关注了多目标进化算法在处理决策空间分布和Pareto前沿形状时存在的不足。 在多目标优化中，传统算法往往忽视了种群在决策空间的分布信息，以及待优化问题的Pareto前沿形状。为解决这些问题，研究者提出了基于参考点选择策略的改进型NSGA-III算法。首先，他们引入信息论中的熵思想，通过计算相邻两代种群的熵差来判断种群的进化阶段，以此评估种群在决策空间的演化状态。 接下来，算法利用种群在目标空间的分布特征，通过统计参考点关联个体的数量，来评估参考点的重要性。这一过程旨在更好地理解Pareto前沿的形状和复杂性，以指导算法的搜索方向。 在种群进化的中后期，算法会根据参考点的重要性特征来剔除冗余和无效的参考点。这样可以确保保留下来的参考点能够适应种群规模，并与Pareto前沿面保持一致，从而更有效地引导种群进化，加速算法的收敛速度和优化效率。 通过对测试函数集的对比实验，结果显示改进后的算法在收敛性和分布性方面都表现出优越性。这意味着它能更快速地找到接近理想解的解集，同时保持解的多样性。 关键词涵盖了多目标优化、参考点、决策空间分布和目标空间分布，表明该研究专注于这些关键领域。文章发表于《模式识别与人工智能》2020年第33卷第3期，是研究多目标优化问题和进化算法领域的重要贡献。 中图法分类号为TP183，表明这是计算机科学技术领域内的研究成果。文章的DOI为10.16451/j.cnki.issn1003-6059.202003001，提供了在线访问的唯一标识。 这篇研究通过引入参考点选择策略，提高了NSGA-III算法在多目标优化问题中的性能，对于优化问题的求解具有实际应用价值。