应用档案精英学习和反向学习的多目标进化算法.pdf

第 4O卷 第 3期 计 算 机 学 报 Vo1．40 No．3 2017年 3月 CHINESEJOURNALoF CoMPUTERS M ar．2O17 应用档案精英学习和反向学习的多目标进化算法 谢承旺 王志杰 夏学文 (华东交通大学软件学院 南昌 330013) 摘 要 现实中的多 目标优化 问题 日益复杂 ，对多 目标优化算法提 出了新 的挑战．受混合多 目标优化算法 的启发 ， 该文提 出了一种应用档案精英学习和反 向学习的多 目标进化算法 (Multi—objectiveEvolutionaryAlgorithm Based OnArehive-EliteLearningandOpposition—basedLearning，AOL—MOEA)以解 决困难 的多 目标优化 阀题 ．A0L— MOEA算法利用档案精英学习算子增强算法全局搜索能力，促进算法较快收敛；运用动态一般反向学习机制代替 变异算子以增加种群逃逸局部极值的机会；使用 3一点最短路径方法维持解群的多样性．AOL-MOEA算法与另外 5种代表性多 目标优化算法在 12个基准多 目标测试函数上进行性能 比较，实验结果表明：AOL—MOEA算法在收 敛性、多样性和稳定性等方面均优于或部分优于其他的对 比算法． 关键词 档案精英学习；动态一般反 向学习；3-点最短路径 ；多 目标进化算法 中图法分类号 TP301 DOI号 1O．11897／SP．J．1016．2017．00757 Multi一0bjectiveEvolutionaryAlgorithmBasedon Archive--EliteLearningandOpposition。-BasedLearning XIECheng—Wang WANG Zhi—Jie XIA Xue～Wen (Schoolofsoftware，EastChinaJiaotongUniversity，Nanchang 33O013) Abstract Itisahugechallengeformulti—objectiveoptimizationalgorithmsduetotheincreasing complexityofthemulti—objectiveoptimizationproblems(MOPsforshort)intherealworld． Inspiredbytheideaofhybridcomponentsofmulti—objectiveoptimizationalgorithms，anew multi—objectiveevolutionaryalgorithm basedonarchive—elitelearningandopposition-basedlearning (AOL—MOEA for short)wasproposed to tacklesomecomplicatedMOPsin thepaper．The proposedAOL—MOEA usedthestrategyofarchive—elitelearningtoenhancetheabilityofglobal search SO asto promote the convergenceofthealgorithm． Secondly，a dynamic generalized opposition—based Iearningapproachwasutilizedtoreplacethetraditionalmutation operatorto increasetheprobabilityofescapingfrom localoptimafortheoptimizer．Thirdly，anoveldiversity preservedmechanism ofthree—poin