基于目标与变量联合建模的多目标分布估计算法

本文提出了一种基于目标与变量联合概率建模的新型多目标分布估计算法（EDA）。该EDA使用多维贝叶斯网络作为其概率模型。通过这种方式，它能够捕捉目标、变量与目标之间的依赖关系，以及在其他基于贝叶斯网络的EDA中学习到的变量之间的依赖关系。该模型导致了问题的分解，帮助提议的算法找到更好的多目标问题折中解决方案。除了帕累托集近似外，该算法还能够估计多目标问题的结构。为了将算法应用于多目标问题，算法包含了四种文献中提出的不同排序方法。算法首先应用于步行鱼群问题集，并将其优化性能与标准多目标进化算法及另一种竞争性多目标EDA进行比较。实验结果表明，在这些问题中的几个，以及不同的目标空间维度下，所提算法的表现显著更好，并且在一些其他问题上与另外两个算法相比取得了可比的结果。随后，算法在CEC09问题集上进行了测试，结果表明基于联合模型估计的多目标优化在一些问题上能够获得明显更好的前沿，而与基于传统遗传算子的搜索相比，后者是目前最先进的多目标进化算法。