主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第5期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
谢承旺,余伟伟,闭应洲,汪慎文,胡玉荣.一种基于分解和协同策略的高维多目标进化算法.软件学报,0,(0):0
一种基于分解和协同策略的高维多目标进化算法
Many-objective Evolutionary Algorithm based on Decomposition and Coevolution
投稿时间:2018-04-01  修订日期:2018-05-25
DOI:10.13328/j.cnki.jos.005617
中文关键词:  高维多目标优化问题|分解策略|混合水平正交实验设计|高维多目标进化
英文关键词:many-objective optimization|decomposition|mix-level orthogonal experimental design|many-objective evolutionary algorithm
基金项目:国家自然科学基金(61763010,61402481,61165004);广西八桂学者项目;河北青年拔尖人才支持计划(冀字[2013]17号);河北省自然科学基金(F2015403046);河北省教育厅科技重点项目(ZD2018083);湖北省教育厅科研项目(B2015240);科学计算与智能信息处理广西高校重点实验室开放课题(GXSCIIP201604);荆楚理工学院科学研究重点基金项目(ZR201402);荆楚理工学院科学研究引进人才科研启动金项目(QDB201605)
作者单位E-mail
谢承旺 广西师范学院 计算机与信息工程学院 广西 南宁 530299
科学计算与智能信息处理广西高校重点实验室(广西师范学院), 广西 南宁 530299 
 
余伟伟 北京工业大学信息学部 软件学院, 北京 100124  
闭应洲 广西师范学院 计算机与信息工程学院 广西 南宁 530299
科学计算与智能信息处理广西高校重点实验室(广西师范学院), 广西 南宁 530299 
byzhou@163.com 
汪慎文 河北地质大学 信息工程学院, 河北 石家庄 050031  
胡玉荣 荆楚理工学院 科技处, 湖北 荆门 448000  
摘要点击次数: 200
全文下载次数: 149
中文摘要:
      现实中高维多目标优化问题普遍存在,而且其巨大的目标空间使得经典的多目标进化算法面临严峻挑战,提出一种基于分解和协同策略的高维多目标进化算法MaOEA/DCE.该算法利用混合水平正交实验设计方法产生接近于指定规模且均匀分布于聚合系数空间的权重向量,提高种群的分布性;其次,算法将差分进化算子和自适应SBX算子进行协同进化以产生高质量的子代个体,改善算法的收敛性.该算法与另外五种高性能的多目标进化算法在基准测试函数集DTLZ{1,2,4,5}上进行IGD+性能指标实验,结果表明MaOEA/DCE在收敛性、多样性和稳定性方面总体具有显著的性能优势.
英文摘要:
      In reality, many-objective optimization problems (MaOPs) are ubiquitous, and their huge objective space makes representative multi-objective evolutionary algorithms face severe challenges. A many-objective evolutionary algorithm based on decomposition and coevolution (MaOEA/DCE) is proposed in the paper. The method of mix-level orthogonal experimental design is used to generate an even-distributed set of weight vectors in the space of weight coefficient in order to improve the population diversity. Second, the differential evolution operator is combined with the adaptive SBX operator to generate high-quality offspring, so as to improve the convergence of MaOEA/DCE. The MaOEA/DCE is compared with other five representative multi-objective evolutionary algorithms on the benchmark test set DTLZ{1,2,4,5} based on the performance of IGD+, and the experimental results show that the presented algorithm has more significant performance advantages of convergence, diversity and robustness over the peering algorithms.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利