摘要:在多目标进化算法中，如何从后代候选集中选择最优解，显著地影响优化过程.当前，最优解的选择方式主要是基于实际目标值或者代理模型估计目标值.然而，这些选择方式往往是非常耗时或者存在精度差等问题，特别是对于一些实际的复杂优化问题.最近，一些研究人员开始利用有监督分类辅助后代选择，但是这些工作难以准备准确的正例和负例样本，或者存在耗时的参数调整等问题.为了解决这些问题，提出了一种新颖的融合分类与代理的混合个体选择机制，用于从后代候选集中选择最优解.在每一代优化中，首先利用分类器选择优良解；然后设计了一个轻量级的代理模型用于估计优良解的目标值；最后利用这些目标值对优良解进行排序，并选择最优解作为后代解.基于典型的多目标进化算法MOEA/D，利用混合个体选择机制设计了新的算法框架MOEA/D-CS.与当前流行的基于分解多目标进化算法比较，实验结果表明，所提出的算法取得了最好的性能.