基于参考向量插值的多目标进化算法

基于分解的多目标进化算法在解决许多多目标优化问题时可以实现良好的收敛性和多样性表现，但在一些具有复杂帕累托前沿的多目标优化问题中，如具有大曲率或不连续前沿的前沿，确保帕累托最优解的良好多样性是困难的。如果帕累托解在前沿表面上不是均匀分布，并且存在许多无效的参考向量。为了解决这些问题，本文提出了一种基于参考向量插值的多目标进化算法。在该方法中，首先使用MOEAD算法获得初始帕累托前沿，并对获得的帕累托解进行聚类以获得多个聚类子集。然后，在目标空间中进行非线性拟合以构建伪帕累托前沿来逼近这些子集，并通过在伪帕累托前沿上使用均匀插值生成新的权重向量。最后，使用新的权重向量更新当前参考向量，以推动种群向最优帕累托前沿移动，促进进化过程的收敛。为了验证其有效性和优势，提出的算法与九种现有的多目标进化算法在17个测试问题上进行了比较。结果表明，提出的算法在大多数测试问题上可以实现更好的帕累托最优解的多样性。