论文部分内容阅读
由于不同目标之间相互冲突且搜索空间巨大,现有大规模多目标优化算法的综合性能尚存在较大改进空间.为合理均衡算法的搜索效率与搜索质量,提升算法的综合性能,本文提出一种基于存档和权值扩展的大规模多目标优化算法（LSMOEA-AWE）.该算法总体采用进化计算框架,基于大规模决策变量与小规模权值变量之间的问题转换进行求解.其核心是在进化过程中选取高质量代表性解及其对立点构建存档高效引导种群的进化方向,并引入权值扩展策略逐步扩大算法的搜索空间,在确保算法搜索效率的同时,提升搜索质量.为验证LSMOEA-AWE的有效性,将其与6个先进的大规模多目标优化算法在最新的大规模多目标基准测试问题集LSMOP上进行对比,实验结果表明LSMOEA-AWE对于大规模多目标优化问题的求解具有明显的竞争优势.