软件学报

作者：王丽萍，陈宏，杜洁洁，邱启仓，邱飞岳

单位：王丽萍，浙江工业大学 计算机科学与技术学院, 浙江 杭州 31002311,陈宏，浙江工业大学 教育科学与技术学院, 浙江 杭州 31002302,杜洁洁，浙江工业大学 管理学院, 浙江 杭州 31002303,邱启仓，之江实验室, 浙江 杭州 31002304,邱飞岳，浙江工业大学 教育科学与技术学院, 浙江 杭州 31002305

关键词：高维目标优化;协同进化;ASF函数;偏好向量

基金：浙江省自然科学基金（LQ20F020014，LY17F020022）；国家自然科学基金（61472366，61379077）；浙江省重点研发计划（2018 C01080）

多偏好向量引导的协同进化算法（PICEA-g）是将目标向量作为偏好，个体支配目标向量的个数作为适应值，以有效降低高维目标空间中非支配解的比例.但PICEA-g所获解集是近似Pareto前沿，而不是决策者真正感兴趣部分的Pareto最优解，导致算法在处理高维优化问题时性能下降和计算资源的浪费.鉴于此，提出一种基于偏好向量引导的高维目标协同进化算法（ASF-PICEA-g）：首先，利用ASF扩展函数将进化种群中的参考点映射至目标空间，并将其作为偏好向量引导种群进化的参考方向；然后，利用偏好区域选择策略获取两个临时参考点，进而构建决策者感兴趣区域（ROI），确定随机偏好集产生的上下界范围，通过协同进化机制引导种群朝偏好区域收敛.将ASF-PICEA-g与g-NSGA-II和r-NSGA-II在3-20维的WFG系列和DTLZ系列测试函数上进行仿真实验，实验结果表明：ASF-PICEA-g在WFG系列测试函数上表现出了良好的性能，所得解集整体上优于对比算法；在DTLZ系列测试函数上略优于对比算法，尤其在10维以上目标空间，ASF-PICEA-g表现出更好的稳定性，所获解集有较好的收敛性和分布性.

来源：2020年第12期

《软件学报》期刊编辑部

查看软件学报杂志2020年第12期