面向约束多目标优化的进化计算与梯度下降联合优化算法
来源：计算机应用杂志2024年第5期北京时间：
作者：田野, 陈津津, 张兴义
单位：安徽大学 计算机科学与技术学院，合肥 230601
摘要：约束多目标进化算法（CMOEA）是一类专门为解决约束多目标优化问题而设计的元启发式算法。这类算法利用基于种群的黑盒随机搜索模式，可以在不同优化问题上达到目标与约束之间的有效平衡；然而它们未有效利用函数的梯度信息，在复杂问题上收敛过慢。但引入梯度信息不是一个简单的过程，同时计算所有目标和约束的梯度会消耗大量的计算资源，且目标和约束之间的矛盾会使梯度方向难以确定。为此，提出一种进化计算和梯度下降（GD）的联合优化算法——基于梯度辅助的多阶段约束多目标进化算法（CMOEA-MSG）。该算法包括两个阶段：在第一阶段，算法通过构建辅助问题并有选择性地计算目标或约束的梯度更新解，使种群快速收敛至可行区域；在第二阶段，算法采用约束优先原则求解原问题，保证种群的可行性和多样性。与现有同类算法在LIR-CMOP、MW和DAS-CMOP三个测试集上的对比结果表明，CMOEA-MSG可以更有效地解决约束多目标优化问题。
关键词：约束多目标优化,进化算法,梯度下降,多阶段搜索
基金资助：国家自然科学基金资助项目(62276001)
