TY -的A2 -马里诺,p . AU,秋文博盟——朱,江汉AU - Yu Huangchao AU -风扇,铭丰AU -霍,傈僳族PY - 2021 DA - 2021/11/17 TI -一种自适应参考向量调整策略和改进Angle-Penalized价值方法RVEA SP - 8870356六世- 2021 AB - Decomposition-based演化多目标算法(MOEAs)将多目标问题划分为若干子问题通过使用一组预定义的均匀分布参考向量,可以达到良好的整体性能特别是保持种群的多样性。然而,他们遇到巨大困难不规则帕累托在解决问题方面(PFs)因为很多参考向量在搜索过程中不工作。应对这一问题,本文旨在改善现有decomposition-based算法称为参考vector-guided进化算法(RVEA)通过设计一个自适应参考向量调整策略。通过添加策略,将调整根据预定义的参考向量的分布有前途的解决方案具有良好的整体性能和PF所在的子空间可进一步划分为更多的搜索过程。此外,选择压力对RVEA带来的收敛性能主要从规范化目标向量的长度和指标是穷人在评估解决方案的收敛性能与目标大小的增加。的动机,一种改进angle-penalized距离(adp)方法开发更好的区分在每个子空间解决方案与良好的收敛性能。研究该算法的性能,广泛的实验进行比较与3 - 5最先进的decomposition-based算法,5 - 8 -,10-objective MaF1-MaF9。结果表明,该算法获得最佳的总体性能。SN - 1076 - 2787你——https://doi.org/10.1155/2021/8870356——10.1155 / 2021/8870356 JF - PB - Hindawi KW - ER -复杂性