版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/sinat_33231573/article/details/84545703
M2M论文:https://ieeexplore.ieee.org/document/6595549
MOP:
假设所有的独立目标函数f1,...,fm全都非负,所有的目标向量和PF都在。
用户只需要在目标空间中选择K个单位方向向量,然后将目标空间进行划分为K个子区域。
将原MOP转化为带约束的K个子问题,一次运行全部解决:
算法流程:
1、在决策空间中随机选择K*s个点(s为子种群大小),计算它们的目标值并且将其分配到P1,...,PK中。
2、终止条件前:
R=∅;
对于1-K个子问题的种群Pk:
对于Pk中每个个体x,从Pk中随机选择y,对x和y应用遗传算子产生一个新解z,并计算F(z),R=R∪{z}。
Q=R∪()Pk;
从Q中选Pk个解(目标函数值在Ωk中),如果|Pk|<s,随机从Q中选出s-|Pk|个解放入Pk中;如果|Pk|>s,对Pk中的解进行非支配排序,从Pk中删掉s-|Pk|个解。
3、找出Pk中所有的非支配解输出。
M2M的转化不需要任何一种分解方法,并且相对于MOEA/D来说能促进种群的多样性。
MOEA/D进化过程中新解是否代替旧解完全由聚合函数值决定,这就可能导致严重的多样性损失并失去一些搜索区域,因为它在选择的时候采用非支配排序在全局范围内进行排序,那么如果在可行域中的当前解完全由其他解支配就会在一些难度大的子问题上失去解。