自适应信息反馈NSGA-III算法.pdfVIP

自适应信息反馈NSGA-III算法

作者：王启翔许峰

来源：《科技创新与应用》2020年第30期

摘;要：为了提高NSGA-III算法求解大规模高维多目标优化问题的能力，提出了一种基于

自适应信息反馈机制的改进NSGA-III算法，其基本思想是：根据信息反馈原理，将当前代第

k个个体与用NSGA-III算法求得的第i个个体加权平均后作为下一代第i个个体。k的选取有

指定和随机两种方式，可以根据目标函数的梯度自适应地选择。采用大规模高维测试函数对新

算法进行了性能测试，并与相关算法的结果进行了比较。

关键词：高维多目标优化;NSGA-III;信息反馈;自适应;目标函数梯度

中图分类号：TP312文献标志码：A文章编号：2095-2945（2020）30-0020-04

Abstract：InordertoimprovetheabilityofNSGA-IIItosolvelarge-scalemany-objective

optimizationproblems，animprovedNSGA-IIIbasedonadaptiveinformationfeedbackmechanism

isproposed.Itsbasicideais：accordingtotheprincipleofinformationfeedback，theweighted

averageofthekthindividualincurrentgenerationandtheithindividualobtainedbyNSGA-IIIis

takenastheithindividualinnextgeneration.Therearetwowaystoselectk：namedandrandom，

ofnewalgorithmistestedbythelarge-scalemany-objectivetestfunction，andtheresultsare

comparedwiththoseofrelatedalgorithms.

Keywords：large-scalemany-objectiveoptimization;NSGA-III;informationfeedback;adaptive;

objectivefunctiongradient

通常，有两个或三个目标的优化问题称为多目标优化问题（Multi-objectiveOptimization

Problems，MOP），而有四个或更多目标的问题称为高维多目标优化问题（Many-objective

OptimizationProblems，MaOP）。多目标进化算法（Multi-objectiveEvolutionaryAlgorithm，

MOEA）已被公认为求解MOP最有效的优化算法，但被用于求解MaOP时性能往往会有不同

程度的下降。

MOEA主要分为两大类：一类是基于精英选择的多目标进化算法;另一类是基于多目标分

解的多目标进化算法。基于精英选择的多目标进化算法中最具代表性的算法是NSGA类算

法。1994年，K.Deb提出了基于非支配排序的NSGA[1];2002年，K.Deb将精英选择引入

NSGA算法，提出了NSGA-II[2];2014年，K.Deb又在NSGA-II中引入参考点，提出了NSGA-

III[3]。

2017年，Bi[4]提出了一種基于小生境的改进NSGA-III;2018年，M.Carvalho[5]系统研究

了NSGA-III中的参考点对算法性能的影响;2020年，Gu[6]提出了一种基于信息反馈的改进

NSGA-III。

本文在文献[6]的基础上，提出了一种在算法中同时采用这两种选择方式的算法，基本思

路是根据目标函数的梯度自适应再选择这两种方式。采用标准测试函数对改进算法进行了性能

测试，并与NSGA-III及文献[6]中算法的结果进行了比较。

1NSGA-III算法

NSGA-III是在NSGA-II基础上发展起来的，基本步骤如下[3]：

步骤1初始化参考点和种群（种群规模为N）。参考点根据Das和Dennis的方