摘要：基于分解的多目标进化算法（MOEA／D）的求解精度与聚合方法有直接关系，其中基于惩罚的边界交叉聚合法（PBI）受惩罚参数θ影响较大，固定的惩罚参数难以匹配不同位置的子问题，尤其边界子问题上的极端解易被邻域内非支配解替代．为此，本文提出一种基于动态惩罚分解策略的高维目标进化算法（MOEA／D—DPS），通过动态调整惩罚参数θ来改变候选解选择区域大小，使不同位置的子问题都有更合适的选择区域，且减少了边界子问题上优秀解的丢失，更好地平衡了算法的收敛性与多样性．最后，本文通过仿真实验对比分析了MOEA／D—DPS算法与相关算法的性能，实验结果表明：MOEA／D—DPS算法在DTLZ1-4测试函数上所得解集整体性能更优．
分类：期刊> 自然科学与工程技术> 信息科技> 电子信息科学综合
收录：北大期刊(中国人文社会科学期刊) > CSCD 中国科学引文数据库来源期刊(含扩展版) > 统计源期刊(中国科技论文优秀期刊) > 知网收录(中) > 维普收录(中) > 万方收录(中) > SA 科学文摘(英) > JST 日本科学技术振兴机构数据库(日) > Pж(AJ) 文摘杂志(俄) > 哥白尼索引(波兰) > 剑桥科学文摘 > 国家图书馆馆藏 > 上海图书馆馆藏 > 文摘与引文数据库
关键词：多目标优化 高维目标 分解策略 动态惩罚
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
