针对基本拟态物理学优化(artificial physics optimization, APO)算法易陷入局部最优、分布性不佳等问题,提出一种分区引导种群进化的改进多目标拟态物理学优化(multi-objective APO improved by partition-guided evolution, PEMOAPO)...针对基本拟态物理学优化(artificial physics optimization, APO)算法易陷入局部最优、分布性不佳等问题,提出一种分区引导种群进化的改进多目标拟态物理学优化(multi-objective APO improved by partition-guided evolution, PEMOAPO)算法。首先,采用tent映射与反向学习相结合的策略进行种群的初始化,增强种群的多样性;其次,提出分区引导个体进行进化的机制,对处于可行域与不可行域的个体,采取不同的质量函数及虚拟作用力计算规则进行迭代更新,增强算法的收敛性能。选取MW系列和C_DTLZ系列作为基准测试函数进行仿真实验,通过综合性能评价指标对比分析、统计学分析、收敛性分析及时间复杂度分析,表明改进算法具有良好的多样性及收敛性,能快速收敛到Pareto前沿。展开更多
文摘针对基本拟态物理学优化(artificial physics optimization, APO)算法易陷入局部最优、分布性不佳等问题,提出一种分区引导种群进化的改进多目标拟态物理学优化(multi-objective APO improved by partition-guided evolution, PEMOAPO)算法。首先,采用tent映射与反向学习相结合的策略进行种群的初始化,增强种群的多样性;其次,提出分区引导个体进行进化的机制,对处于可行域与不可行域的个体,采取不同的质量函数及虚拟作用力计算规则进行迭代更新,增强算法的收敛性能。选取MW系列和C_DTLZ系列作为基准测试函数进行仿真实验,通过综合性能评价指标对比分析、统计学分析、收敛性分析及时间复杂度分析,表明改进算法具有良好的多样性及收敛性,能快速收敛到Pareto前沿。
