Page 184 - 《软件学报》2026年第3期
P. 184
丁炜超 等: 基于信息共享的改进双归档高维多目标进化算法 1147
modal multi-objective optimization problem, MMMOP), 具体描述如下.
针对高维多目标优化问题, Wang 等人 [26] 提出了具有代表性的双存档算法 Two_Arch2. 该算法为 CA 和 DA
分别设计了收敛性和多样性的更新策略, 进一步强调其作用, 其中集成了多个优势关系, 而不是单一的帕累托优势
关系, 有效避免了高维目标环境下难以收敛的问题. 另外, 设计了基于 Lp 范数的相似性度量方案, 有效评估个体间
的相似性, 维护了种群的多样性. Ye 等人 [27] 在 Two-Arch 框架基础上设计了 3 种不同的搜索方式以增强不同阶段
的收敛性和多样性. Dai 等人 [28] 提出了一种基于多搜索策略的双存档进化算法 TwoArchM, 第 1 种搜索策略在档
案库中选择收敛解以促进收敛性, 第 2 种搜索策略平衡算法的局部开发和全局探索能力. Cai 等人 [29] 提出了基于
聚合框架的 TwoArchA, 设计了改进的切比-切夫函数作为收敛度量在 CA 中发挥重要作用, 同时利用解与权重向
量的垂直距离保持 DA 的多样性.
开始
初始化
是否达到 是
停滞条件? 结束
否
在 CA∪DA 中
繁 选择父种群 获得非支配解
殖
更
生成子代
新 是否支配
CA/DA？
是 否
加入 CA
否
CA+DA>N? 加入 DA
删除被支配个体
是
截
断 按距离截断 DA
图 1 Two-Arch 流程图
针对约束多目标优化问题, 进化计算领域的核心挑战在于如何应对约束条件的复杂性, 同时兼顾算法的收敛
性与多样性 [30] . 双归档机制可以通过 CA 维持收敛性和可行性驱动, DA 则不受约束限制, 充分探索目标空间以提
升多样性 [31,32] . 对于多模态多目标优化问题, 由于决策空间中多个位置可能映射到目标空间的同一点, 因此难以获
取多种形态的全部最优解. 此类问题中, 双归档算法利用 CA 强化目标空间的收敛性, 同时收集多个子空间的帕累
托解, DA 在增强目标空间和决策空间多样性的同时, 有效引导种群避开局部最优区域 [33,34] .
本文的目的是设计一种针对 MaOP 的高效算法, 能够有效平衡种群收敛性与多样性, 并确保在不同目标维度
和不同类型的帕累托前沿上均表现出色. 尽管已有一些高维双归档算法, 如 Two_Arch2 [26] 和 TwoArchA [29] , 但其仅
在 DTLZ1–DTLZ4 问题上展现出优越性, 而在面临具有退化帕累托前沿的问题时性能大幅下降, 主要原因是未能
充分考虑到不规则 PF 问题的复杂性. 此外, 算法 TwoArchM [28] 仅在有限的目标维度上进行了测试, 缺乏对各个目
标维度上性能的充分验证. 因此, 亟需设计一种更具鲁棒性的算法框架, 以应对复杂多样的 MaOP 优化场景, 并在
不同目标维度上进行充分验证.
