基于子群学习大规模多目标优化算法

摘要

为实现大规模多目标优化算法局部和全局搜索能力平衡，提出基于子群学习的大规模多目标优化算法（SLCSO）。利用方向向量将种群划分为多个子群，设计群内学习和群间学习2种学习方法。在群内学习中，当子群包含2个以上个体时，每个子群失败者向2个较好获胜者学习。在群间学习中，利用其他子群获胜者平均位置构建采样方向对本群失败者进行更新，克服多区域采样方法计算量较大弱点。为拓宽获胜者搜索范围，设计基于最高和最低余弦相似度的获胜者更新策略，降低算法局部收敛发生概率。在9个标准测试函数测试结果中，SLCSO在反世代距离（IGD）和超体积（HV）统计性能均优于对比算法。SLCSO算法能有效解决大规模多目标优化问题。

关键词

大规模多目标优化 / 学习策略 / 搜索机制 / 竞争群优化 / 进化算法

基金资助

国家自然科学基金项目（62576239）; 安徽省学术和技术带头人后备人选科研活动经费项目（2021H264）; 安徽省高校学科（专业）拔尖人才学术资助项目（gxbjZD2022021）; 淮北师范大学延伸研究项目（RE230046,RE230047,RE230048,RE230049）