多目标进化算法中基于动态聚集距离的分布性保持策略  

Dynamic crowding distance based diversity maintenance strategy in MOEAs

作　　者：罗彪[1] 郑金华[1] 

机构地区：[1]湘潭大学信息工程学院,湖南湘潭411105

出　　处：《计算机应用研究》2008年第10期2934-2938,共5页Application Research of Computers

基　　金：国家自然科学基金资助项目(60773047);湖南省教育厅重点科研项目(06A074)

摘　　要：提出了基于动态聚集距离(DCD)的分布性保持策略,利用个体在不同维目标上聚集距离的差异程度来定义DCD,并在种群维护中动态地计算DCD。与目前经典算法NSGA-Ⅱ和ε-MOEA进行比较,实验结果表明DCD能在较大程度上提高分布性,并得到较好的收敛性。This paper proposed a dynamic crowding distance （DCD） based on diversity maintenance strategy, in which the definition of individual＇ s DCD was based on the degree of difference between the crowding distances on different objectives. The proposed strategy computed individuals＇ DCD dynamically during the process of population maintenance. Compared with NSGA-Ⅱ and ε-MOEA, the experimental results demonstrate that DCD can improve diversity at a high level.

关 键 词：多目标进化算法 动态聚集距离 帕累托最优解 分布性 种群维护 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程]