基于径向空间划分的昂贵多目标进化算法

顾清华; 周煜丰; 李学现; 阮顺领

doi:10.16383/j.aas.c200791

基于径向空间划分的昂贵多目标进化算法

doi: 10.16383/j.aas.c200791

顾清华^{1, 2,},
周煜丰^1,,
李学现^1,,
阮顺领^2,

1.
西安建筑科技大学管理学院西安 710055
2.
西安建筑科技大学资源工程学院西安 710055

基金项目: 国家自然科学基金(51774228, 51864046), 陕西省自然科学基金杰出青年项目(2020JC-44)资助

详细信息

作者简介:
顾清华：西安建筑科技大学教授. 主要研究方向为多目标优化, 车辆调度和复杂系统建模与仿真. 本文通信作者. E-mail: qinghuagu@126.com

周煜丰：西安建筑科技大学硕士研究生. 主要研究方向为多目标优化和车辆调度. E-mail: zyf18215649083@163.com

李学现：西安建筑科技大学博士研究生. 主要研究方向为群智能优化算法在采矿系统工程中的应用. E-mail: lixuexian2019@163.com

阮顺领：西安建筑科技大学副教授. 主要研究方向为矿山智能系统和深度学习. E-mail: ruanshunling@163.com

计量
- 文章访问数: 1833
- HTML全文浏览量: 661
- PDF下载量: 254
- 被引次数: 4
出版历程
- 收稿日期: 2020-09-24
- 录用日期: 2020-12-14
- 网络出版日期: 2021-01-11
- 刊出日期: 2022-10-14

Expensive Many-objective Evolutionary Algorithm Based on Radial Space Division

1.
School of Management, Xi＇an University of Architecture and Technology, Xi＇an 710055
2.
School of Resource Engineering, Xi＇an University of Architecture and Technology, Xi＇an 710055

Funds: Supported by National Natural Science Foundation of China (51774228, 51864046), and Outstanding Youth Project of Shaanxi Natural Science Foundation Grant (2020JC-44)

More Information

Author Bio:
GU Qing-Hua　Professor at Xi＇an University of Architecture and Te-chnology. His research interest covers multi-objective optimization, vehicle scheduling and complex system modeling and simulation. Corresponding author of this paper

ZHOU Yu-Feng　Master student at Xi＇an University of Architecture and Technology. His research interest covers multi-objective optimization and vehicle scheduling

LI Xue-Xian　Ph.D. candidate at Xi＇an University of Architecture and Technology. His main research interest is application of swarm intelligence optimization algorithm in mining system engineering

RUAN Shun-Ling　Associate professor at Xi＇an University of Architecture and Technology. His rese-arch interest covers mine intelligent system and deep learning

摘要

摘要: 为了解决难以建立精确数学模型或者真实评估实验成本高昂的多目标优化问题, 提出了一种基于径向空间划分的昂贵多目标进化算法. 首先算法使用高斯回归作为代理模型逼近目标函数; 然后将目标空间的个体投影到径向空间, 结合目标空间和径向空间信息保留对种群贡献更高的个体; 之后由径向空间中个体的位置分布决定下一步应该选择哪些个体进行真实评估; 最后, 采用一种双档案管理策略维护代理模型的质量. 数值实验和现实问题上的结果表明, 与5种先进算法相比, 该算法在解决昂贵多目标优化问题时能够提供更高质量的解.
- 昂贵多目标优化问题 /
- 高斯过程 /
- 径向投影 /
- 双档案管理策略
Abstract: In order to solve the problem of many-objective optimization that it is difficult to establish an accurate mathematical model or the actual evaluation experiment is expensive, an expensive many-objective evolutionary algorithm based on radial space division is proposed. First, the algorithm uses Gaussian regression as a surrogate model to approximate the objective function; Second the individuals in the objective space are projected to the radial space, and the individuals with higher contributions to the population are retained through the objective space and radial space information; Third the position distribution of the individuals in the radial space determines which individuals should be selected for real evaluation in the next step; Finally, a double archives management strategy is adopted to maintain the quality of the surrogate model. The results of numerical experiments and real problems show that compared with five advanced algorithms, the algorithm proposed in this paper can provide higher quality solutions when solving expensive many-objective optimization problems.
- Expensive many-objective optimization problem /
- Gaussian process /
- radial projection /
- double archives management strategy

HTML全文

在现实世界中, 无时无处无不面临着优化问题. 随着社会的发展, 急需处理的优化问题越来越多样化并越来越复杂. 而诸如牛顿法、梯度下降法等传统的方法不能够很好地处理这些急需解决的优化问题. 因此, 许多研究者建立了各种仿生类的智能计算模型, 提出了许多智能优化算法. 群智能优化算法(Swarm intelligence optimization algorithm, SIOA)是模拟自然界社会群体集体行为的一种智能优化方法^[1], 包括粒子群优化(Particle swarm optimization, PSO)算法^[2]、灰狼优化算法(Grey wolf optimizer, GWO)^[3]、郊狼优化算法(Coyote optimization algorithm, COA)^[4]等. SIOA具有易于实现、能有效处理全局优化和大规模优化问题等优势, 广泛应用于多目标优化、数据聚类以及模式识别等诸多领域^[5]. 但根据无免费午餐定理^[6], 没有任何一种SIOA能独立地解决所有的优化问题, 每种SIOA都有自身的优势和局限性. 因此许多学者提出了大量新奇和改进的SIOA, 其中包括算法的混合改进. 两种或多种算法的混合可以达到优势互补, 以获得最佳的优化性能^[7].

GWO是由Mirjalili等^[3]于2014年提出的一种新颖的SIOA, 具有原理简单、开采能力强、可调参数少等优点, 但存在易陷入局部最优、解决复杂优化问题性能差等缺点. 因此许多学者对其进行了研究和改进, 其中包括混合改进. 例如张新明等^[7]提出一种GWO与人工蜂群算法的混合算法, 其中在人工蜂群观察蜂阶段自适应融合GWO, 以便增强开采能力和提高优化效率. Zhang等^[8]提出一种基于生物地理学优化算法和GWO的混合算法, 将改进的基于生物地理学优化算法和基于反向学习的GWO混合, 使得优化性能最大化. Teng等^[9]提出一种PSO与GWO结合的混合算法, 该算法具有更好的寻优能力和更强的鲁棒性. Arora等^[10]提出一种乌鸦搜索算法与GWO的混合算法, 更有效地实现了全局优化.

COA是由Pierezan等^[4]于2018年提出的一种模拟郊狼群居生活、成长、生死等现象的新型SIOA. COA具有独特的搜索模型和结构以及出色的优化能力, 尤其在解决复杂优化问题优势明显, 但仍存在搜索效率低、可操作性不强以及收敛速度慢等缺陷, 且由于COA提出的时间较短, 需改进和完善并拓展其应用领域. 鉴于GWO和COA各有优势和不足, 本文将两种算法分别进行改进和简化, 得到改进的COA (Improved COA, ICOA)和简化的GWO (Simplified GWO, SGWO), 然后通过正弦交叉策略将ICOA和SGWO有机融合在一起, 从而获得了一种性能优越且高效的混合COA (Hybrid COA with GWO, HCOAG). 另外, 混合算法的研究一直是优化领域的热点, 因此研究GWO与COA的混合是一项较有意义的工作.

1. 灰狼优化算法

GWO模拟了自然界中灰狼种群严格的社会等级制度和群体捕食行为. 在其社会等级制度中, 灰狼从高到低依次为$\alpha $, $\beta$, $ \delta $, $\omega $狼. 其捕食行为是追踪和接近猎物、追捕和包围猎物、攻击和捕杀猎物. GWO将狼群中的$\alpha $, $\beta $, $\delta $, $\omega $狼的位置分别代表第一最优解、第二最优解、第三最优解和候选解. 灰狼包围行为的数学模型为

$${\boldsymbol{Dis}} = \left| {{\boldsymbol{C}} \otimes {{\boldsymbol{X}}_p}\left( t \right) -{\boldsymbol{ X}}\left( t \right)} \right|$$

(1)

$${\boldsymbol{X}}\left( {t + 1} \right) = {{\boldsymbol{X}}_p}\left( t \right) - {\boldsymbol{A}} \otimes {\boldsymbol{Dis}}$$

(2)

$${\boldsymbol{A}} = 2a \times {{\boldsymbol{r}}_1} - a$$

(3)

$${\boldsymbol{C}} = {c_1} \times {{\boldsymbol{r}}_2}$$

(4)

$$a = 2 - \dfrac{2t}{MaxDT}$$

(5)

其中, ${\boldsymbol{Dis}} $是灰狼与猎物间的距离, $t $是当前迭代次数, ${\boldsymbol{X}}_p $是猎物的位置向量, ${\boldsymbol{X}} $是灰狼的位置向量. ${\boldsymbol{A}} $和${\boldsymbol{C}} $是系数向量. 系数a在迭代过程中从2线性递减到0, ${MaxDT} $是最大迭代次数, ${{\boldsymbol{r}}_1} $和${{\boldsymbol{r}}_2} $是[0, 1]中的均匀分布随机向量, c₁为可调参数^[11], $ \otimes $表示两个向量各个对应的分量相乘. 狩猎行为的数学模型为

$${\boldsymbol{Dis}}{_{\rm{\alpha}} } = \left| {{{\boldsymbol{C}}_1} \otimes {{\boldsymbol{X}}_{\rm{\alpha}} }\left( t \right) - {\boldsymbol{X}}\left( t \right)} \right|$$

(6)

$${\boldsymbol{Dis}}{_{\rm{\beta}} } = \left| {{{\boldsymbol{C}}_{{2}}} \otimes {{\boldsymbol{X}}_{\rm{\beta}} }\left( t \right) - {\boldsymbol{X}}\left( t \right)} \right|$$

(7)

$${\boldsymbol{Dis}}{_{\rm{\delta}} } = \left| {{{\boldsymbol{C}}_{{3}}} \otimes {{\boldsymbol{X}}_{\rm{\delta}} }\left( t \right) - {\boldsymbol{X}}\left( t \right)} \right|$$

(8)

$${{\boldsymbol{X}}_{{1}}} = {{\boldsymbol{X}}_{\rm{\alpha}} }\left( t \right) - {A_{{1}}} \otimes {\boldsymbol{Dis}}{_{\rm{\alpha}} }$$

(9)

$${{\boldsymbol{X}}_{{2}}} = {{\boldsymbol{X}}_{\rm{\beta}} }\left( t \right) - {A_{{2}}} \otimes {\boldsymbol{Dis}}{_{\rm{\beta}} }$$

(10)

$${{\boldsymbol{X}}_{{3}}} = {{\boldsymbol{X}}_{\rm{\delta}} }\left( t \right) - {A_{{3}}} \otimes {\boldsymbol{Dis}}{_{\rm{\delta}} }$$

(11)

$${\boldsymbol{X}}(t + 1) = \dfrac{ {{{\boldsymbol{X}}_{{1}}} + {{\boldsymbol{X}}_{{2}}} + {{\boldsymbol{X}}_{{3}}}} }{3}$$

(12)

其中, ${\boldsymbol{Dis}}{_{\rm{\alpha}} } $, ${\boldsymbol{Dis}}{_{\rm{\beta}} } $和${\boldsymbol{Dis}}{_{\rm{\delta}} } $分别表示当前狼与3头最优灰狼间的距离. 式(12)代表$\omega$狼在$\alpha $, $\beta $和$\delta $狼的引导下移动的新位置, 即GWO产生的新解. GWO的流程图见图1.

图 1 GWO的流程图

Fig. 1 Flow chart of GWO

下载: 全尺寸图片幻灯片

从上述描述和图1可知, 与PSO等经典的SIOA相比, GWO的主要特点有: 1) GWO采用3头最优狼(最优解)引导$\omega$狼围猎, 有较强的局部搜索能力, 但在解决复杂优化问题时, 容易陷入局部最优; 2) GWO仅有两个参数a和c₁, 前者采用动态调整方式, 后者c₁常取常数2, 调整的参数少, 故可操作性强; 3) 原理简单、易于实现, 但更新是基于维的计算, 需计算式(6)~(12), 故计算复杂度较高; 4)目标函数采用并行计算方式, 故运行速度较快.

2. 郊狼优化算法

COA包含初始化参数和狼群、组内郊狼成长、郊狼生与死和被组驱离与接纳^[4]等4个主要步骤.

2.1 参数初始化和随机初始化郊狼群组

首先设置参数, 如郊狼群规模$N $, 郊狼组数$N_p $, 组内郊狼数$N_c $和$MaxDT $等, 其中, $N=N_c \times N_p $. 然后随机初始化郊狼群组, 第$p $组第$c $个郊狼第$j $维的随机化操作如式(13). 最后计算每头郊狼${\boldsymbol{soc}} $的社会适应度值$fit $, 如式(14).

$${{\boldsymbol{soc}}_{c,}}_j = l{b_j} + r \times (u{b_j} - l{b_j})$$

(13)

$$fi{t_c} = f({{\boldsymbol{soc}}_c})\qquad\qquad\qquad$$

(14)

其中, lb_j和ub_j分别表示郊狼第j维社会状态因子的下界和上界, j = 1, 2, $\cdots $, D, D为搜索空间的维度, r为[0, 1]内均匀分布的随机数, f表示适应度函数.

2.2 组内郊狼成长

组内最优狼${\boldsymbol{alpha}} $、组文化趋势${\boldsymbol{cult}} $以及随机选取的两头郊狼$cr_1 $和$cr_2 $影响组内郊狼的成长过程, 即组内郊狼成长受${{\boldsymbol{\delta}} _1}$和${{\boldsymbol{\delta}} _2}$的影响. 其中${\boldsymbol{cult}} $的计算如式(15)所示, 即其每一个因素是组内所有郊狼对应社会因子的中位数(O为排名后的社会因子序列), 故${\boldsymbol{cult}} $又称中值郊狼. ${{\boldsymbol{\delta}} _1}$和${{\boldsymbol{\delta}} _2}$计算见式(16)和式(17), 郊狼的成长方式见式(18).

$${{\boldsymbol{cult}}_j} = \left\{ {\begin{array}{*{20}{l}} {{O_{{\frac{{{N_c} + 1}} { 2}},j}},}&{{N_c}\;{\text{是奇数}}}\\ \dfrac{ {{O_{\frac{{N_c}}{2},j}} + {O_{\frac{{N_c}}{2} + 1,j}}} }{2},&{{N_c}\;{\text{是偶数}}} \end{array}} \right.$$

(15)

$${{\boldsymbol{\delta}} _{{1}}} = {\boldsymbol{alpha}} - {{\boldsymbol{soc}}_{{{c}}{{{r}}_1}}}\qquad\qquad\qquad\qquad\qquad\;$$

(16)

$${{\boldsymbol{\delta}} _{{2}}} = {\boldsymbol{cult}} - {{\boldsymbol{soc}}_{{{c}}{{{r}}_2}}}\qquad\qquad\qquad\qquad\qquad\;\;\;\;\;$$

(17)

$${\boldsymbol{new}}\_{{\boldsymbol{soc}}_c} = {{\boldsymbol{soc}}_c} + {r_3} \times {{\boldsymbol{\delta}} _{{1}}} + {r_4} \times {{\boldsymbol{\delta}} _{{2}}}\qquad\quad$$

(18)

其中, ${\boldsymbol{new}}\_{{\boldsymbol{soc}}_c} $是组内第c头郊狼成长获得的新解, ${r_3} $和${r_4} $是[0, 1]内均匀分布的随机数. 组内的郊狼成长后评估其社会适应能力如式(19)所示, $new\_fi{t_c} $为新适应度值.

$$new\_fi{t_c} = f({\boldsymbol{new}}\_{{\boldsymbol{soc}}_c})$$

(19)

最后采用迭代贪心算法进行优胜劣汰(式(20)), 如此新产生的更优郊狼参与组内其余郊狼成长以加快收敛速度.

$${\boldsymbol{soc}} = \left\{ {\begin{split} & {{\boldsymbol{new}}\_{{\boldsymbol{soc}}_c},\quad new\_fi{t_c} > fi{t_c}} \\ &{{{\boldsymbol{soc}}_c},\;\quad \qquad\;{其他}} \end{split}} \right.$$

(20)

2.3 郊狼生与死

幼郊狼$(pup )$的诞生受随机选择父母郊狼的遗传基因和环境因素的影响, 见式(21)所示.

$$pu{p_j} = \left\{ {\begin{split} &{{\boldsymbol{so}}{{\boldsymbol{c}}_{c{r_1},j}},}\quad{{r_j} < {P_s}\;{或}\;j = {j_1}}\\ &{{\boldsymbol{so}}{{\boldsymbol{c}}_{c{r_2},j}},}\quad{{r_j} \ge {P_s} + {P_a}\;{或}\;j = {j_2}}\\ &{{R_j},}\qquad\;\quad{其他} \end{split}} \right.$$

(21)

其中, $r_j $是均匀分布在[0, 1]内的随机数; $ j_1 $和$j_2 $是两个随机选择的维度标号, 以确保两个父郊狼的基因能够遗传给幼狼; $R_j $是在第j维决策变量范围内随机产生的变异值; $P_s $和$P_a $分别是分散概率和关联概率, 它们决定着幼狼被遗传和变异的情况, 如式(22)和式(23)所示.

$${P_s} = \dfrac{1}{D}\qquad$$

(22)

$${P_a} = \dfrac{{1 - {P_s}}}{2}$$

(23)

幼狼出生后, 评估其社会适应能力, 并依照其能力决定生与死, 具体描述如下: 在社会适应能力上, 1)组内只有一个郊狼比幼狼差时, 则此郊狼死亡, 幼狼存活, 并设它的年龄为0, 即age = 0; 2)组内有多个郊狼比幼狼差时, 能力差且年龄最大的郊狼死亡, 幼狼存活, 并设age = 0; 3)组内所有郊狼都比幼狼强时, 幼狼死亡.

2.4 郊狼被驱离和接纳

在COA中, 郊狼以$P_e $的概率被组驱离和接纳. 郊狼初始被随机分配到组群中, 但有时某些郊狼会离开它所在组群而加入另一组群, 这种随机驱离和接纳用来保证组内郊狼的多样性和组间信息共享, $P_e $的计算方式为

$${P_e} = 0.005 \times {N_c}^2$$

(24)

COA的伪代码如算法1所示.

算法1. COA算法

1. 设置$N_p $和$N_c $等参数, 随机初始化郊狼种群并随机分组, 评估每个郊狼的社会适应能力, 确定全局最优郊狼

2. For t = 1 To $MaxDT $ Do

3. For p = 1 To $N_p $ Do

4. 确定组内最优的${\boldsymbol{alpha}} $狼

5. 根据式(15)计算组文化趋势${\boldsymbol{cult}} $

6. For c = 1 To $N_c $ Do

7. 根据${\boldsymbol{alpha}} $和${\boldsymbol{cult}} $进行郊狼成长, 如式(16)~(18)

8. 使用贪心算法优胜劣汰保留更优郊狼和全局最优　　　郊狼

9. End For

10. 幼狼出生与死亡, 出生如式(21), 按其社会能力决　　　　定其生死

11. End For

12. 郊狼采用如式(24)的概率被组驱离和接纳

13. 更新郊狼的年龄, $age=age+1 $

14. End For

15. 输出全局最优郊狼

从以上描述可知, 与PSO等经典的SIOA相比, COA的主要优势有: 1)具有很好的搜索框架, 即多组结构, 郊狼随机被组驱离和接纳等使郊狼群具有多样性, 有较强的探索能力, 能够更好地解决复杂优化问题^[12]; 2)组内最优郊狼和组内文化趋势引导组内每个郊狼的成长, 增强了局部搜索能力; 3)郊狼组内的生与死受随机选择父郊狼的遗传因子和环境变异因子影响, 郊狼生与死算子使得COA具有一定的全局搜索能力. 其主要不足有: 1)结构复杂, 计算复杂度高; 2)采用迭代贪心算法, 稳定性差, 效率低; 3)需调整的参数多, 如$P_e $, $N_p $和$N_c $等需调整, 可操作性差; 4)多组结构等虽然增强了探索能力, 但组与组之间信息共享不足, 导致搜索后期收敛速度慢.

3. 灰狼与郊狼混合优化算法

3.1 提出HCOAG的动机

COA与GWO虽然同属狼群算法, 但二者有许多不同. 如在搜索方式上, 前者模拟郊狼的成长、生与死, 而后者模拟灰狼的等级制度和狩猎模式; 在引导上, 前者仅仅使用一头最好的狼来引导其它狼成长, 而后者使用3头最优狼来引导其它狼搜索; 在结构上, 前者复杂, 后者简单; 在产生新解方式上, 前者有两种方式, 后者只有一种方式等等. 因此, COA和GWO各有优势和不足. 为了弥补二者不足, 本文将COA和GWO两种狼群算法经过改进后进行了有机结合, 从而获得一种性能优越且高效的混合算法(HCOAG).

3.2 改进的郊狼优化算法

ICOA主要包括高斯全局趋优成长算子和动态调整组内郊狼数方案.

3.2.1 高斯全局趋优成长算子

为了提高郊狼成长后的社会适应能力、组与组之间的信息共享程度及算法收敛速度, 受Omran等^[13]提出的全局最优和声搜索算法中趋优策略及高斯分布的启发, 对其组内郊狼成长方式进行改进, 提出一种高斯全局趋优成长算子. 全局趋优算子充分利用郊狼种群当前全局最优郊狼的状态信息, 使郊狼成长向当前全局最优郊狼趋近, 提高开采能力, 也使得组内信息经全局最优解达到组间共享. 高斯分布又称为正态分布, 与COA的均匀随机分布[0, 1]相比, 可以增加搜索范围, 在一定程度上增强全局搜索能力.

在组内郊狼成长过程中, 在式(18)中引入趋优算子和高斯分布随机因子, 具体见式(25)和式(26).

$${{\boldsymbol{\delta}} _3} = {\boldsymbol{GP}} - {{\boldsymbol{soc}}_{{{{cr}}_1}}}\qquad\qquad\qquad\qquad\quad$$

(25)

$${\boldsymbol{new}}\_{{\boldsymbol{soc}}_1} = {\boldsymbol{soc}} + r{n_1} \times {{\boldsymbol{\delta}} _3} + r{n_2} \times {{\boldsymbol{\delta}} _{{2}}}$$

(26)

式(25)中, ${\boldsymbol{GP}} $为当前全局最优郊狼的状态, ${{\boldsymbol{\delta}} _3} $表示组内随机选取的一个郊狼状态$(cr_1 )$与${\boldsymbol{GP}} $的差值. 式(26)中, $rn_1 $和$rn_2 $是均值为0、方差为1的高斯(正态)分布产生的随机数, ${\boldsymbol{new}}\_{\boldsymbol{soc}}_1$表示每头郊狼在${{\boldsymbol{\delta}} _2} $和${{\boldsymbol{\delta}} _3} $的共同作用下成长产生的新状态(新解).

从式(25)和式(26)可以看出, 与COA相比, 在搜索前期, 个体间差异大, 缩放因子(高斯随机数)变化范围大, 故增强了探索能力. 在搜索后期, 虽然还是采用高斯随机数, 但个体间差异小, ${{\boldsymbol{\delta}} _2} $和${{\boldsymbol{\delta}} _3} $的值变小, 故搜索范围变小, 强化开采能力. 且由于采用全局最优解引导, 故更增强了开采能力, 同时上一组获得的全局最优解, 会作用于下一组的郊狼成长, 如此形成一种信息共享的正反馈作用, 大幅度加快了收敛速度. 另外, 所有组内郊狼成长后并行计算它们的适应度值和优胜劣汰, 提高了运行速度和稳定性.

3.2.2 动态调整组内郊狼数方案

如上文所述, COA有多个参数需要调整, 可操作性差. 对于以上改进的COA, 主要有两个参数$N_c $和$N_p $对优化性能影响较大. 在N固定下, 如果$N_c $确定, 则$N_p=N/N_c $, 即$N_p $越大, $N_c $越少, 成长操作少, 但全局解的作用逐组增强, 开采强; 反之, 成长操作多, $N_p $少, 全局解的作用减弱, 开采弱. 为了提高COA的可操作性, 本文对$N_p $和$N_c $参数进行动态调整. 设$N=100 $, 则$N_p $和$N_c $必须为100的因子, 依据文献[4], 每组郊狼数不能超过14, 所以$N_c $只能为4、5和10. 由于$N_c $不能少于3, 这是因为组内郊狼成长至少需要3头郊狼, 包括随机选取的两头郊狼和组内最优郊狼. 当$N_c=4 $时可选郊狼范围受限制, 所以$N_c $最可能的取值为5和10, 故具体的分配方式如图2所示, 动态调整参数方案如算法2所示.

图 2 组数$N_p $与组内郊狼数$N_c $的分配图

Fig. 2 Disposition graph of two parameters $N_c $ and $N_p $

下载: 全尺寸图片幻灯片

算法2. 动态调整参数$N_c $和$N_p $

1. If 在搜索后期

2. $N_c=5 $

3. Else 在搜索前期

4. $N_c=10 $

5. End If

6. $N_p=N/N_c $和随机分组

在搜索后期, $N_c=5 $, 则$N_p=20 $, 组数多, 增强全局解的正反馈作用, 局部搜索能力增强; 在搜索前期, $N_c=10 $, 则$N_p=10 $, 组数少, 减弱全局解的正反馈作用, 全局搜索能力增强. 因此, 动态调整组内郊狼数参数不仅提高了可操作性, 而且可以更好地平衡探索与开采能力. 另外, 在动态调整参数之后, 随机分组, 如此可以省去郊狼被组驱离与接纳这个过程, 从而不需要调整参数$P_e $, 因此提高了可操作性.

3.3 简化的灰狼优化算法

为了进一步解决COA存在搜索效率低和易陷入局部最优的问题, 本文引入GWO搜索方式. 首先提出一种精简的GWO搜索方式, 即将式(6)~(11)与COA组内郊狼进行融合并简化, 具体如式(27)~(29).

$${{\boldsymbol{NX}}_{{1}}} = {\boldsymbol{GP}} - {{\boldsymbol{A}}_{{1}}} \otimes \left| {{\boldsymbol{GP}} - {{\boldsymbol{temp}}_c}} \right|\qquad$$

(27)

$${{\boldsymbol{NX}}_2} = {\boldsymbol{alpha}} - {A_2} \otimes \left| {{\boldsymbol{alpha}} - {{\boldsymbol{temp}}_c}} \right|$$

(28)

$${{\boldsymbol{NX}}_3} = {\boldsymbol{cult}} - {A_3} \otimes \left| {{\boldsymbol{cult}} - {{\boldsymbol{temp}}_c}} \right|\qquad$$

(29)

其中, ${\boldsymbol{temp}}_c $表示当前组第c个郊狼的状态. ${{\boldsymbol{NX}}_{{1}}} $, ${{\boldsymbol{NX}}_{{2}}} $和${{\boldsymbol{NX}}_{{3}}} $表示组内郊狼分别在${\boldsymbol{GP}} $, ${\boldsymbol{alpha}} $和${\boldsymbol{cult}} $的引导下获得成长的情况. 从式(27)~(29)可以看出, 这3个式子去掉了式(6) ~ (8)中的可调参数向量C, 保留GWO的优势并克服其不足, 即在SGWO中, 去掉C, 无需调整c₁, 也省略了向量C的相关计算. 所以, 这种简化的GWO在保证其有较强开采能力的同时, 提高了可操作性并降低了计算复杂度. 为了更进一步简化计算, SGWO直接采用COA中的当前全局最优郊狼、组内最优郊狼和中值郊狼(组内文化趋势)的引导寻找最优解, 无需寻找组内的第二和第三最优郊狼, 如此SGWO与COA达到了一种高效融合. 为方便理解SGWO, 关于GWO中的灰狼等级情况与SGWO中的等级情况的对比见图3所示.

图 3 GWO与SGWO的等级情况对比

Fig. 3 Comparison of hierarchies of GWO and SGWO

下载: 全尺寸图片幻灯片

3.4 正弦交叉混合策略

为了平衡COA组内郊狼成长的探索与开采能力, 本文采用正弦交叉策略将ICOA与SGWO有机混合. 其中交叉策略是指在一定概率的情况下, 两个解进行交叉得到一个新解. 当概率为零时, 两个解的维值不交换; 当概率为1时, 两个解的维值全部交换, 这两种情况都不能产生新解. 因此只有概率为一个适当的值时, 两个解的交叉效果才会达到最好. 其中使用正弦函数概率模型使得探索和开采都有良好的表现, 即使用正弦函数自适应控制交叉概率CR (在0.5附近前期小幅度波动, 后期大幅度跳动)可以兼顾组内郊狼的多样性和收敛性^[14], 其计算式为

$$\begin{split} CR =\;& 0.5 \times \\ &\left( {\sin \left( {2\pi \times 0.25 \times t + \pi } \right) \times {\dfrac{t}{MaxDT}} + 1} \right) \end{split}$$

(30)

本文采用的正弦交叉策略见算法3所示, 在rand < CR的概率下, 组内第c个郊狼D维中一些维的值采用SGWO搜索方式获取; 反之, 组郊狼的第c个郊狼D维中的其余维值采用高斯全局趋优成长算子获取. 这种交叉策略具有如下特点: 1)增强了组内各类郊狼的信息交流; 2)交叉两个新解, 二者的信息融合获得有别二者的新解, 增强了新解的多样性, 降低陷入局部最优的概率; 3)前期在CR为0.5的附近小幅度波动, 高斯全局趋优操作和GWO操作以近似等概率的方式产生新解, 多样性强, 强化探索能力; 后期在CR为0.5的附近大幅度跳动, 如此产生的新解以其中一种操作为主, 多样性降低, 强化了开采能力.

算法3. 正弦交叉策略

1. 计算正弦交叉概率, 见式(30)

2. 选定第p组第c个郊狼

3. For j = 1 To D Do

4. If rand < CR

5. 计算式(27)~(29)

6. ${\boldsymbol{new}}\_{\boldsymbol{c}}_j =({\boldsymbol{NX}}_{1,j}+{\boldsymbol{NX}}_{2,j} +{\boldsymbol{NX}}_{3,j})/3$

7. Else

8. 采用高斯全局趋优成长算子的式(26)

9. End If

10. End For

正弦交叉策略有机融合了两种搜索方式, 很好地平衡了成长过程的探索与开采能力. HCOAG的流程图见图4.

图 4 HCOAG流程图

Fig. 4 Flow chart of HCOAG

下载: 全尺寸图片幻灯片

从图4可以看出, 与COA相比, HCOAG主要有如下不同: 1)成长方式采用正弦交叉策略融合高斯全局趋优方式和SGWO方式; 2)组内郊狼的适应度值采用并行计算; 3)动态调整参数方案; 4)丢弃了郊狼被组驱离与接纳的过程.

4. 函数优化实验结果与分析

4.1 实验环境配置及参数设置

为验证HCOAG的有效性, 本文采用经典基准函数和来自CEC2017的复杂函数进行优化实验. CEC2017包括单峰函数(F₁~F₃)、多峰函数(F₄~F₁₀)、混合函数(F₁₁~F₂₀)和复合函数(F₂₁~F₃₀), 详细情况见文献[15]. 实验环境采用主频3.00 GHz的 Inter(R) Core(TM) i5-7400 CPU和内存8 GB的PC机, 操作系统采用64位的Windows 10, 编程语言采用MATLAB2017A. 选取的对比算法包括GWO^[3]、COA^[4]、MEGWO (Multi-strategy ensemble GWO)^[16]、DEBBO (Differential evolution and biogeography-based optimization)^[17]、HFPSO (Hybrid firefly with PSO)^[18]、SaDE (DE with strategy adaptation)^[19]、SE04 (Spherical evolution)^[20]、FWA (Fireworks algorithm)^[21]和TLBO (Teaching-learning based optimization)^[22]. MEGWO是最近提出的GWO改进算法, 文献[16]表明它优于GWO及其改进版以及其他的SIOA. DEBBO是DE与BBO的混合算法, 文献[17]表明它优于DE和BBO及其他优秀的SIOA. HFPSO是PSO和FA的混合算法, 文献[18]表明它优于PSO和FA等SIOA. SaDE具有显著优秀性能, 文献[19]表明SaDE优于DE等SIOA. SE04是球形进化算法的变体之一, 文献[20]表明SE04显著优于GWO等算法. FWA和TLBO也是目前较为新型算法的代表. 总之, 这些对比算法具有较强的竞争性.

为公平起见, 所有算法的公共参数设置相同. 在CEC2017上, 依据文献[15]的参数最佳推荐, $D = 30 $, 最大函数评价次数10000 × D, 独立运行51次. 在经典函数的$D = 10 $和$D = 30 $上, $MaxDT $分别为100和500, 独立运行30次. 依据文献[4]的推荐, COA的最佳参数设置为: $N = 100 $, $N_c= 5 $, $N_p = 20$. HCOAG的N也设置为100, $N_p $和$N_c $无需调整, 算法其他参数采用相应文献中推荐的最佳设置.

一般单峰函数用来考察一个算法的局部搜索能力, 多峰函数考察其全局搜索能力, 混合和复合函数考察其处理复杂问题的能力. 本文采用均值(Mean)和方差(Std)分别评估一个算法的优化性能和稳定性. 在解决极小值问题中, 均值越小表示算法性能越好, 方差越小表示算法稳定性越好. 另外, 还采用了排名(Rank)方法. 其评价标准是先比较算法获得的均值, 均值越小算法名次越好; 在均值相同的情况下, 再比较方差, 方差越小算法名次越好. 结果表中的“Count”表示排名为第一的总次数, “Ave rank”表示平均排名情况, “Total rank”表示在“Ave rank”基础上的总排名情况, 最优者用加粗字体表示.

4.2 与不完全算法的对比分析

为验证每个改进对HCOAG优化性能的贡献, 将HCOAG与其不完全算法HCOAG₅ $(N_c=5 $和$N_p=20 $的HCOAG)、HCOAG₁₀ ($N_c=10 $和$N_p =10 $的HCOAG)、ICOA、SGWO、GWO和COA在CEC2017的30维函数上进行实验, 实验结果如表1所示.

表 1 HCOAG与其不完全算法的结果对比

Table 1 Comparison results of HCOAG and its incomplete algorithms

函数	标准	HCOAG	COA	GWO	HCOAG₅	HCOAG₁₀	ICOA	SGWO
F₁	Mean	7.4494×10⁻⁴	1.2099×10³	1.2813×10⁹	4.1072×10⁻⁴	1.9800×10⁻³	1.0737×10²	3.3279×10³
	Std	1.4801×10⁻³	1.2998×10³	9.6388×10⁸	8.5916×10⁻⁴	2.9438×10⁻³	1.0569×10²	4.3271×10³
	Rank	2	5	7	1	3	4	6
F₂	Mean	1.1941×10¹	2.9013×10²¹	3.1831×10³²	4.8580×10³	1.8078×10¹	8.6764×10¹⁵	3.3582×10¹⁴
	Std	2.4077×10¹	1.1462×10²²	1.5894×10³³	3.3985×10⁴	5.0208×10¹	3.5675×10¹⁶	1.3200×10¹⁵
	Rank	1	6	7	3	2	5	4
F₃	Mean	9.5410×10⁻¹	6.0573×10⁴	2.8342×10⁴	7.6972×10⁻¹	1.0995×10⁰	3.3032×10⁴	8.7276×10²
	Std	1.9288×10⁰	1.0177×10⁴	9.2323×10³	9.8032×10⁻¹	1.6794×10⁰	6.8409×10³	7.2376×10²
	Rank	2	7	5	1	3	6	4
F₄	Mean	1.8113×10¹	8.4041×10¹	2.0825×10²	2.0841×10¹	2.8446×10¹	4.8248×10¹	1.0495×10²
	Std	2.7696×10¹	8.5306×10⁰	8.4445×10¹	3.0540×10¹	3.1826×10¹	3.3517×10¹	2.4806×10¹
	Rank	1	5	7	2	3	4	6
F₅	Mean	2.8433×10¹	5.2890×10¹	9.6116×10¹	3.5884×10¹	3.0204×10¹	3.4844×10¹	3.1488×10¹
	Std	6.8886×10⁰	1.5025×10¹	3.2690×10¹	1.0115×10¹	8.8983×10⁰	1.0983×10¹	9.2242×10⁰
	Rank	1	6	7	5	2	4	3
F₆	Mean	1.7483×10⁻⁷	1.6399×10⁻⁵	6.3664×10⁰	9.4452×10⁻⁷	1.5005×10⁻⁶	2.8782×10⁻⁴	2.0381×10⁻²
	Std	4.7524×10⁻⁷	9.6428×10⁻⁶	3.1596×10⁰	2.4080×10⁻⁶	5.9643×10⁻⁶	1.6254×10⁻⁴	2.7102×10⁻²
	Rank	1	4	7	2	3	5	6
F₇	Mean	6.1055×10¹	7.5148×10¹	1.4460×10²	6.7082×10¹	5.9300×10¹	6.7675×10¹	6.4025×10¹
	Std	1.0851×10¹	1.3762×10¹	4.6314×10¹	1.1241×10¹	9.4998×10⁰	1.1520×10¹	1.1856×10¹
	Rank	2	6	7	4	1	5	3
F₈	Mean	3.2489×10¹	5.6110×10¹	8.4662×10¹	3.6085×10¹	2.9446×10¹	3.6138×10¹	3.1775×10¹
	Std	1.2272×10¹	1.8774×10¹	2.5270×10¹	8.8063×10⁰	7.9048×10⁰	1.0081×10¹	7.8884×10⁰
	Rank	3	6	7	4	1	5	2
F₉	Mean	2.7362×10⁻¹	5.6225×10⁻¹	5.5392×10²	5.2270×10⁻¹	2.5931×10⁻¹	8.8559×10⁻²	7.4159×10⁰
	Std	4.8298×10⁻¹	1.0209×10⁰	3.2695×10²	8.7374×10⁻¹	4.6957×10⁻¹	1.5656×10⁻¹	6.7112×10⁰
	Rank	3	5	7	4	2	1	6
F₁₀	Mean	2.2671×10³	2.7575×10³	3.1862×10³	2.5574×10³	2.3435×10³	2.1380×10³	2.1424×10³
	Std	6.1427×10²	4.6685×10²	9.7886×10²	5.3524×10²	6.0670×10²	5.6098×10²	4.0691×10²
	Rank	3	6	7	5	4	1	2
F₁₁	Mean	2.1678×10¹	4.1143×10¹	4.9771×10²	2.9822×10¹	2.6698×10¹	2.2685×10¹	1.0908×10²
	Std	2.0907×10¹	2.7367×10¹	6.4235×10²	2.6128×10¹	2.4059×10¹	2.0893×10¹	3.8218×10¹
	Rank	1	5	7	4	3	2	6
F₁₂	Mean	9.8943×10³	1.2532×10⁵	4.0285×10⁷	1.2577×10⁴	1.0657×10⁴	1.3660×10⁵	2.0716×10⁵
	Std	6.0932×10³	1.2555×10⁵	7.3849×10⁷	6.4424×10³	6.4606×10³	9.3092×10⁴	1.9967×10⁵
	Rank	1	4	7	3	2	5	6
F₁₃	Mean	1.9749×10³	2.0357×10⁴	2.8073×10⁶	3.0265×10³	3.1829×10³	3.6293×10²	1.3271×10⁴
	Std	3.8565×10³	2.6333×10⁴	1.6225×10⁷	6.2901×10³	8.0719×10³	8.9975×10¹	1.5283×10⁴
	Rank	2	6	7	3	4	1	5
F₁₄	Mean	8.6436×10¹	8.0070×10¹	1.3112×10⁵	7.7150×10¹	1.0134×10²	5.6726×10¹	1.4132×10⁴
	Std	4.3766×10¹	1.9915×10¹	2.3335×10⁵	6.0071×10¹	9.2585×10¹	1.4850×10¹	1.7944×10⁴
	Rank	4	3	7	2	5	1	6
F₁₅	Mean	1.8396×10³	2.0792×10³	3.3658×10⁵	7.1579×10²	1.7386×10³	6.9111×10¹	6.6116×10³
	Std	2.9044×10³	7.9984×10³	7.9125×10⁵	1.2272×10³	2.9477×10³	1.9083×10¹	8.3961×10³
	Rank	4	5	7	2	3	1	6
F₁₆	Mean	3.0243×10²	7.9869×10²	8.1416×10²	3.3715×10²	3.0883×10²	4.6416×10²	5.0252×10²
	Std	2.0550×10²	2.8651×10²	2.6440×10²	2.1415×10²	1.8878×10²	2.6962×10²	2.4545×10²
	Rank	1	6	7	3	2	4	5
F₁₇	Mean	4.7111×10¹	2.2439×10²	2.7004×10²	6.4809×10¹	5.3120×10¹	3.7365×10¹	1.3984×10²
	Std	4.0925×10¹	1.3518×10²	1.3820×10²	5.3991×10¹	4.7801×10¹	4.0654×10¹	8.0664×10¹
	Rank	2	6	7	4	3	1	5
F₁₈	Mean	6.1013×10⁴	6.9910×10⁴	7.1643×10⁵	5.1875×10⁴	5.0376×10⁴	3.9930×10⁴	1.8454×10⁵
	Std	5.7031×10⁴	1.0210×10⁵	8.2799×10⁵	3.6270×10⁴	3.7592×10⁴	2.0034×10⁴	1.7045×10⁵
	Rank	4	5	7	3	2	1	6
F₁₉	Mean	3.4042×10¹	4.4886×10³	4.6400×10⁵	3.4163×10¹	3.0105×10²	2.4678×10¹	5.4815×10³
	Std	2.0528×10¹	1.3325×10⁴	5.4998×10⁵	3.9687×10¹	1.1322×10³	7.1259×10⁰	4.9859×10³
	Rank	2	5	7	3	4	1	6
F₂₀	Mean	9.6665×10¹	2.4290×10²	3.6059×10²	1.0084×10²	1.1637×10²	1.0389×10²	2.0165×10²
	Std	7.7834×10¹	1.4995×10²	1.0264×10²	6.6726×10¹	7.5890×10¹	8.7694×10¹	9.6673×10¹
	Rank	1	6	7	2	4	3	5
F₂₁	Mean	2.3023×10²	2.5626×10²	2.8298×10²	2.3713×10²	2.3135×10²	2.3724×10²	2.3289×10²
	Std	8.5095×10⁰	1.6800×10¹	2.5684×10¹	1.0815×10¹	9.8453×10⁰	1.1261×10¹	9.9428×10⁰
	Rank	1	6	7	4	2	5	3
F₂₂	Mean	1.0010×10²	1.9999×10³	8.0434×10²	1.0005×10²	1.0005×10²	1.0005×10²	1.2974×10²
	Std	4.8096×10⁻¹	1.5970×10³	1.1113×10³	3.4354×10⁻¹	3.4444×10⁻¹	3.4443×10⁻¹	2.0703×10²
	Rank	4	7	6	1	3	2	5
F₂₃	Mean	3.7755×10²	4.1635×10²	4.7029×10²	3.8706×10²	3.7831×10²	3.8441×10²	3.8854×10²
	Std	1.0911×10¹	1.6898×10¹	2.9324×10¹	1.3271×10¹	8.1817×10⁰	1.0543×10¹	1.3692×10¹
	Rank	1	6	7	4	2	3	5
F₂₄	Mean	4.4827×10²	5.4044×10²	5.2489×10²	4.5484×10²	4.4530×10²	4.5862×10²	4.5671×10²
	Std	1.0757×10¹	4.5778×10¹	3.3902×10¹	1.1783×10¹	1.1461×10¹	1.2203×10¹	1.1956×10¹
	Rank	2	7	6	3	1	5	4
F₂₅	Mean	3.8777×10²	3.8706×10²	4.7784×10²	3.8747×10²	3.8729×10²	3.8698×10²	4.0239×10²
	Std	5.4462×10⁰	8.0647×10⁻¹	2.3819×10¹	1.5625×10⁰	1.2735×10⁰	5.4095×10⁻¹	1.5135×10¹
	Rank	5	2	7	4	3	1	6
F₂₆	Mean	1.2578×10³	1.6520×10³	2.0116×10³	1.3249×10³	1.2449×10³	1.3138×10³	1.5024×10³
	Std	1.9807×10²	1.7070×10²	5.7618×10²	3.1093×10²	3.4947×10²	1.9599×10²	2.8691×10²
	Rank	2	6	7	4	1	3	5
F₂₇	Mean	5.1091×10²	5.0430×10²	5.9279×10²	5.1349×10²	5.1088×10²	5.0560×10²	5.3331×10²
	Std	7.7116×10⁰	8.2707×10⁰	3.8462×10¹	8.6401×10⁰	8.6837×10⁰	7.3827×10⁰	1.1175×10¹
	Rank	4	1	7	5	3	2	6
F₂₈	Mean	3.3558×10²	4.0555×10²	5.9941×10²	3.2930×10²	3.3793×10²	3.4828×10²	4.5710×10²
	Std	5.3866×10¹	3.6156×10¹	6.9788×10¹	5.1585×10¹	5.1950×10¹	5.3564×10¹	2.3392×10¹
	Rank	2	5	7	1	3	4	6
F₂₉	Mean	4.5991×10²	6.6978×10²	8.5036×10²	4.8821×10²	4.6287×10²	4.5683×10²	6.2453×10²
	Std	4.4075×10¹	1.7459×10²	1.8235×10²	5.5772×10¹	4.3839×10¹	4.4800×10¹	1.1861×10²
	Rank	2	6	7	4	3	1	5
F₃₀	Mean	2.9823×10³	6.0618×10³	4.0643×10⁶	3.1036×10³	2.9323×10³	1.9586×10⁴	6.1880×10³
	Std	6.1135×10²	4.7022×10³	3.1688×10⁶	8.4665×10²	5.9332×10²	7.3086×10³	2.8250×10³
	Rank	2	4	7	3	1	6	5
Count		10	1	0	4	5	10	0
Ave rank		2.20	5.23	6.87	3.10	2.60	3.07	4.93
Total rank		1	6	7	4	2	3	5

下载: 导出CSV

| 显示表格

从表1中可以看出, HCOAG₅在单峰函数上获得最好的结果次数最多, 表明N_p增大, 在提高郊狼生与死的全局搜索能力的同时, 大幅度提高了COA的开采能力, 即HCOAG₅中高斯趋优成长和GWO搜索都采用当前全局最优郊狼引导, 不仅获得更好的全局最优解, 这种全局最优解又作用于下一组郊狼的成长过程, 如此形成正反馈机制: N_p越大, 开采越强, 收敛速度越快. 但容易陷入局部最优, 如在多峰函数上的表现不尽人意. HCOAG₁₀在多峰函数上表现出了良好的优化性能, 表明N_p变少, 在提高组内郊狼成长的局部搜索能力的同时, 正反馈减弱, 开采能力降低, 即陷入局部最优的概率也降低了. ICOA中没有精简的GWO, 整体来说优于COA, 表明对COA的改进是有效的. SGWO在整体上优于GWO, 表明SGWO提高了GWO搜索能力. 与GWO相比, COA的优化性能更好, 即COA能更好地处理复杂优化问题. 在7个算法中, HCOAG的平均排名为2.20, COA、GWO、HCOAG₅、HCOAG₁₀、ICOA和SGWO的平均排名分别为5.23、6.87、3.10、2.60、3.07和4.93, 总排名的名次分别为6、7、4、2、3和5. 在HCOAG与6种对比算法中, HCOAG获得了最好的优化性能, 这也说明本文提出的算法是有效的.

4.3 在经典函数上的优化性能对比

为验证HCOAG的性能, 首先将其用于经典函数的优化实验, 并将其结果与COA、GWO、HFPSO和DEBBO的结果进行对比, 实验结果见表2.

表 2 在6个经典函数上的实验结果对比

Table 2 Comparison results on the 6 classic functions

函数	标准	D = 10
函数	标准	HCOAG	COA	GWO	HFPSO	DEBBO
f₁	Mean	6.0684×10⁻⁹	1.7833×10²	9.0799×10⁻¹⁵	3.4157×10⁻⁵	6.7086×10⁻²
	Std	4.8458×10⁻⁹	6.3524×10¹	2.4849×10⁻¹⁴	2.4485×10⁻⁵	3.1056×10⁻²
	Rank	2	5	1	3	4
f₂	Mean	8.4133×10⁻⁶	2.3737×10⁰	1.3222×10⁻⁹	1.3703×10⁻³	2.8483×10⁻²
	Std	3.7531×10⁻⁶	4.0964×10⁻¹	1.1382×10⁻⁹	6.5582×10⁻⁴	7.0993×10⁻³
	Rank	2	5	1	3	4
f₃	Mean	0	1.6180×10²	1.0000×10⁻¹	0	0
	Std	0	5.0787×10¹	3.0513×10⁻¹	0	0
	Rank	1	5	4	1	1
f₄	Mean	1.2498×10⁻¹⁰	4.0253×10⁰	1.5325×10⁻⁶	3.5760×10⁻⁷	1.8575×10⁻³
	Std	2.0501×10⁻¹⁰	1.6104×10⁰	9.4192×10⁻⁷	4.1539×10⁻⁷	1.0158×10⁻³
	Rank	1	5	3	2	4
f₅	Mean	2.0046×10⁻⁸	7.1619×10²	2.4093×10⁻⁵	4.6770×10⁻⁶	2.6132×10⁻²
	Std	5.9686×10⁻⁸	1.5819×10³	1.4121×10⁻⁵	5.6661×10⁻⁶	1.0613×10⁻²
	Rank	1	5	3	2	4
f₆	Mean	4.1921×10⁻¹⁰	1.7228×10⁰	1.2593×10⁻²	4.9377×10⁻⁷	3.5149×10⁻³
	Std	4.3501×10⁻¹⁰	5.1829×10⁻¹	6.8779×10⁻²	4.8665×10⁻⁷	1.5826×10⁻³
	Rank	1	5	4	2	3
		D = 30
f₁	Mean	1.3966×10⁻¹⁷	3.2554×10¹	5.4432×10⁻⁴¹	7.2595×10⁻⁹	2.7076×10⁻⁴
	Std	3.2255×10⁻¹⁷	5.9567×10⁰	7.1605×10⁻⁴¹	7.3446×10⁻⁹	1.1010×10⁻⁴
	Rank	2	5	1	3	4
f₂	Mean	2.8862×10⁻¹⁰	1.3998×10⁰	6.0158×10⁻²⁴	5.3463×10⁻⁵	1.3264×10⁻³
	Std	4.6435×10⁻¹⁰	1.9835×10⁻¹	6.2049×10⁻²⁴	3.9178×10⁻⁵	2.3103×10⁻⁴
	Rank	2	5	1	3	4
f₃	Mean	0	3.3700×10¹	3.3333×10⁻²	0	0
	Std	0	7.9877×10⁰	1.8257×10⁻¹	0	0
	Rank	1	5	4	1	1
f₄	Mean	1.0451×10⁻¹⁷	3.8002×10⁰	1.5129×10⁻²	1.7278×10⁻²	6.4886×10⁻⁵
	Std	3.0738×10⁻¹⁷	1.3163×10⁰	1.0471×10⁻²	3.9296×10⁻²	2.7878×10⁻⁵
	Rank	1	5	3	4	2
f₅	Mean	5.3309×10⁻¹⁷	1.8376×10¹	1.6587×10⁻¹	3.2962×10⁻³	5.0150×10⁻⁴
	Std	1.5184×10⁻¹⁶	5.8919×10⁰	1.1940×10⁻¹	5.1211×10⁻³	2.1237×10⁻⁴
	Rank	1	5	4	3	2
f₆	Mean	1.2484×10⁻¹⁸	1.8049×10⁰	7.9738×10⁻¹	8.2480×10⁻³	8.5930×10⁻⁵
	Std	1.7135×10⁻¹⁸	4.9152×10⁻¹	7.4565×10⁻¹	4.5176×10⁻²	3.9292×10⁻⁵
	Rank	1	5	4	3	2
Count		8	0	4	2	2
Ave rank		1.33	5.00	2.75	2.50	2.92
Total rank		1	5	3	2	4

下载: 导出CSV

| 显示表格

为了能说明问题, 选择6个经典的、具有代表性的基准函数的实验结果作为示例进行分析和讨论, 这6个函数的信息如表3所示, 其中f₁ ~ f₃和f₄ ~ f₆分别作为单峰函数和多峰函数的代表. 在此实验中, 由于HCOAG是COA和GWO的混合算法, 故选择COA和GWO作为对比算法. HFPSO和DEBBO是目前两种较为优秀的混合算法, 故选为HCOAG的对比算法.

表 3 6个经典函数的情况

Table 3 Details of 6 classical benchmark functions

类型	函数名称	函数表达式	搜索范围	最小值
单峰函数	Sphere	${f_1}(x) = \displaystyle\sum_{i = 1}^D {x_i^2}$	[−100, 100]	0
	Schwefel 2.22	${f_2}(x) = \displaystyle\sum_{i = 1}^D {\left\| { {x_i} } \right\|} + \prod_{i = 1}^D {\left\| { {x_i} } \right\|}$	[−10, 10]	0
	Step	${f_3}(x) = \displaystyle\sum_{i = 1}^D { { {\left( {\left\lfloor { {x_i} + 0.5} \right\rfloor } \right)}^2} }$	[−100, 100]	0
多峰函数	Penalized 1	${f_4}(x) = \dfrac{\pi}{D}\bigg\{ {10{ {\sin }^2}\left( {\pi {y_i} } \right)} +$ 　　　　$\displaystyle\sum_{i = 1}^{D - 1} { { {\left( { {y_i} - 1} \right)}^2}\left[ {1 + 10{ {\sin }^2}\left( {\pi {y_{i + 1} } } \right)} \right]} { + { {\left( { {y_D} - 1} \right)}^2} } \bigg\} +$ 　　　　$\displaystyle\sum_{i = 1}^D {u\left( { {x_i},10,100,4} \right)}$ 　　　　${y_i} = 1 + \dfrac{1}{4}\left( { {x_i} + 1} \right)$ 　　　　$u\left( { {x_i},a,k,m} \right) = $$\left\{ \begin{aligned}&k{\left( { {x_i} - a} \right)^m},\quad\;\; {x_i} > a\\&0, \quad \quad \quad \quad \quad\quad\;\; - a \le {x_i} \le a\\&k{\left( { - {x_i} - a} \right)^m},\quad {x_i} < - a \end{aligned} \right.$	[−50, 50]	0
	Penalized 2	${f_5}(x) = 0.1\bigg\{ { { {\sin }^2} } \left( {\pi {x_1} } \right) + \displaystyle\sum_{i = 1}^{D - 1} { { {\left( { {x_i} - 1} \right)}^2} } \left[ {1 + { {\sin }^2}\left( {3\pi {x_{i + 1} } } \right)} \right] +$ 　　　　$\left( { {x_D} - 1} \right) {\Big[ {1 + { {\sin }^2}\left( {2\pi {x_D} } \right)} \Big]} \bigg\} + \displaystyle\sum_{i = 1}^D {u\left( { {x_i},5,100,4} \right)}$	[−50, 50]	0
	Levy	${f_6}(x) = \displaystyle\sum_{i = 1}^{D - 1} { { {\left( { {x_i} - 1} \right)}^2} } \left[ {1 + { {\sin }^2}\left( {3\pi {x_{i + 1} } } \right)} \right] +$ 　　　　${\sin ^2}\left( {3\pi {x_1} } \right) + \left\| { {x_D} - 1} \right\|\Big[ {1 + { {\sin }^2}\left( {3\pi {x_D} } \right)} \Big]$	[−10, 10]	0

下载: 导出CSV

| 显示表格

从表2可以看出, 在D = 10和D = 30上, COA无论是在单峰还是在多峰函数上优化性能最差, 说明COA在处理这些经典函数优化问题上无优势. 在单峰函数的均值和方差上, 除了f₃外, GWO均优于HCOAG以及其他3种对比算法, 证明了GWO具有较好的开采能力. 在多峰函数上, HCOAG的性能最佳, 说明GWO与全局搜索能力强的COA混合有效.

从整体上看, 在D = 10和D = 30上, HCOAG的总体平均排名为1.33, 其他算法的平均排名依次为: HFPSO (2.50)、GWO (2.75)、DEBBO (2.92)和COA (5.00). 这些结果表明, HCOAG不是对所有优化问题都有绝对优势, 在单峰函数上优化性能稍差. 而GWO在单峰函数上具有优势, 对HCOAG的性能具有一定的贡献. 从整体上看, HCOAG在经典函数上具有较好的优化性能.

为直观显示HCOAG、COA、GWO、HFPSO和DEBBO的收敛性能, 给出了这5个算法的收敛图. 限于篇幅, 本节在D = 30上选取2个单峰函数(f₁和f₂)和2个多峰函数(f₅和f₆), 如图5所示. 在单峰函数上, 与HCOAG、COA、HFPSO和DEBBO算法相比, GWO收敛速度更快, 表现出更好的收敛性能. 在多峰函数上, 与COA、GWO、HFPSO和DEBBO算法相比, HCOAG表现出了更好的收敛性能. 综上所述, 表2和图5说明了GWO具有较好的局部搜索能力和收敛性能, 也部分证明了利用GWO局部搜索能力强的优势对COA的混合改进是必要和可行的.

图 5 HCOAG与对比算法在4个经典函数上的收敛图

Fig. 5 Convergence curves of HCOAG and the comparison algorithms on the 4 classical benchmark functions

下载: 全尺寸图片幻灯片

4.4 在CEC2017复杂函数上的优化性能对比

为了进一步验证HCOAG的搜索能力, 将其用在CEC2017复杂函数上实验, 并将其结果与9个代表性的先进算法COA、GWO、MEGWO、HFPSO、DEBBO、SaDE、SE04、FWA和TLBO的实验结果进行比较, 其结果见表4, 其中SaDE和SE04的实验数据直接来自文献[20].

表 4 在30维CEC2017复杂函数上的优化结果对比

Table 4 Comparison results on the 30-dimensional complex functions from CEC2017

函数	标准	HCOAG	COA	GWO	MEGWO	HFPSO	DEBBO	SaDE	SE04	FWA	TLBO
F₁	Mean	7.4494×10⁻⁴	1.2099×10³	1.2813×10⁹	4.5517×10³	3.9338×10³	2.7849×10³	3.0714×10³	3.2930×10³	4.3987×10⁶	2.9846×10³
	Std	1.4801×10⁻³	1.2998×10³	9.6388×10⁸	1.0677×10³	5.3689×10³	4.0364×10³	3.5072×10³	4.2328×10³	1.4055×10⁶	3.1471×10³
	Rank	1	2	10	8	7	3	5	6	9	4
F₂	Mean	1.1941×10¹	2.9013×10²¹	3.1831×10³²	2.8884×10⁸	5.3485×10⁴	1.5057×10¹⁷	8.6275×10⁻¹	3.0802×10¹³	4.1397×10¹⁵	1.0448×10¹⁶
	Std	2.4077×10¹	1.1462×10²²	1.5894×10³³	8.0571×10⁸	3.2847×10⁵	3.5179×10¹⁷	4.9357×10⁰	1.1694×10¹⁴	1.5680×10¹⁶	4.7082×10¹⁶
	Rank	2	9	10	4	3	8	1	5	6	7
F₃	Mean	9.5410×10⁻¹	6.0573×10⁴	2.8342×10⁴	2.2633×10²	1.5595×10⁻⁷	3.6772×10⁴	3.0045×10²	9.7974×10³	2.4748×10⁴	4.0488×10⁻⁴
	Std	1.9288×10⁰	1.0177×10⁴	9.2323×10³	1.7031×10²	2.3334×10⁻⁷	5.8394×10³	7.3017×10²	3.4377×10³	6.3467×10³	1.6647×10⁻³
	Rank	3	10	8	4	1	9	5	6	7	2
F₄	Mean	1.8113×10¹	8.4041×10¹	2.0825×10²	2.4815×10¹	6.9386×10¹	8.4851×10¹	6.0423×10¹	8.5881×10¹	1.1370×10²	5.9054×10¹
	Std	2.7696×10¹	8.5306×10⁰	8.4445×10¹	2.8995×10¹	2.1364×10¹	2.2848×10⁻¹	2.9825×10¹	1.1251×10¹	1.7315×10¹	3.0429×10¹
	Rank	1	6	10	2	5	7	4	8	9	3
F₅	Mean	2.8433×10¹	5.2890×10¹	9.6116×10¹	5.6912×10¹	8.5624×10¹	5.8216×10¹	5.6192×10¹	4.1688×10¹	1.8456×10²	8.5717×10¹
	Std	6.8886×10⁰	1.5025×10¹	3.2690×10¹	1.0725×10¹	1.7427×10¹	6.5957×10⁰	1.4216×10¹	8.1545×10⁰	3.3933×10¹	1.8601×10¹
	Rank	1	3	9	5	7	6	4	2	10	8
F₆	Mean	1.7483×10⁻⁷	1.6399×10⁻⁵	6.3664×10⁰	2.4470×10⁻¹	1.0170×10⁰	1.1369×10⁻¹³	8.9317×10⁻²	7.5481×10⁻⁶	5.1770×10⁰	7.2903×10⁰
	Std	4.7524×10⁻⁷	9.6428×10⁻⁶	3.1596×10⁰	8.1620×10⁻²	2.3644×10⁰	0	1.3955×10⁻¹	3.9880×10⁻⁵	3.1351×10⁰	4.4538×10⁰
	Rank	2	4	9	6	7	1	5	3	8	10
F₇	Mean	6.1055×10¹	7.5148×10¹	1.4460×10²	8.9106×10¹	1.0407×10²	9.9725×10¹	9.4945×10¹	7.2448×10¹	2.0998×10²	1.3661×10²
	Std	1.0851×10¹	1.3762×10¹	4.6314×10¹	1.0935×10¹	1.9791×10¹	6.4285×10⁰	1.9879×10¹	7.3495×10⁰	4.4817×10¹	2.4846×10¹
	Rank	1	3	9	4	7	6	5	2	10	8
F₈	Mean	3.2489×10¹	5.6110×10¹	8.4662×10¹	5.9398×10¹	7.2842×10¹	5.9299×10¹	5.3942×10¹	4.4194×10¹	1.4508×10²	7.1339×10¹
	Std	1.2272×10¹	1.8774×10¹	2.5270×10¹	1.0663×10¹	1.7967×10¹	6.0788×10⁰	1.2792×10¹	6.5834×10⁰	2.1470×10¹	1.4852×10¹
	Rank	1	4	9	6	8	5	3	2	10	7
F₉	Mean	2.7362×10⁻¹	5.6225×10⁻¹	5.5392×10²	7.8267×10⁰	3.2733×10¹	4.0125×10⁻¹⁴	8.3556×10¹	3.0839×10⁻¹	3.5295×10³	2.4197×10²
	Std	4.8298×10⁻¹	1.0209×10⁰	3.2695×10²	1.1815×10¹	1.3249×10²	5.4870×10⁻¹⁴	6.2643×10¹	8.4139×10⁻¹	9.5511×10²	1.4491×10²
	Rank	2	4	9	5	6	1	7	3	10	8
F₁₀	Mean	2.2671×10³	2.7575×10³	3.1862×10³	2.4369×10³	2.9908×10³	3.2911×10³	2.3253×10³	2.3267×10³	3.7800×10³	6.0667×10³
	Std	6.1427×10²	4.6685×10²	9.7886×10²	4.4542×10²	5.9210×10²	2.7284×10²	4.9247×10²	2.8457×10²	5.9660×10²	1.0625×10³
	Rank	1	5	7	4	6	8	2	3	9	10
F₁₁	Mean	2.1678×10¹	4.1143×10¹	4.9771×10²	2.9612×10¹	1.1553×10²	3.7430×10¹	1.0032×10²	4.1343×10¹	1.6164×10²	1.2672×10²
	Std	2.0907×10¹	2.7367×10¹	6.4235×10²	1.0347×10¹	3.9628×10¹	2.3672×10¹	4.3101×10¹	2.7994×10¹	4.5263×10¹	4.5717×10¹
	Rank	1	4	10	2	7	3	6	5	9	8
F₁₂	Mean	9.8943×10³	1.2532×10⁵	4.0285×10⁷	1.5983×10⁴	9.9670×10⁴	1.3866×10⁵	6.8629×10⁴	1.1143×10⁶	4.6351×10⁶	3.3042×10⁴
	Std	6.0932×10³	1.2555×10⁵	7.3849×10⁷	4.0434×10³	1.0658×10⁵	9.2097×10⁴	3.8252×10⁴	8.1422×10⁵	3.1121×10⁶	2.8646×10⁴
	Rank	1	6	10	2	5	7	4	8	9	3
F₁₃	Mean	1.9749×10³	2.0357×10⁴	2.8073×10⁶	2.0450×10²	3.0927×10⁴	8.1265×10³	1.1211×10⁴	4.6063×10³	3.7320×10⁴	1.4857×10⁴
	Std	3.8565×10³	2.6333×10⁴	1.6225×10⁷	2.7028×10¹	2.7301×10⁴	7.8066×10³	1.0535×10⁴	4.8590×10³	2.6480×10⁴	1.7072×10⁴
	Rank	2	7	10	1	8	4	5	3	9	6
F₁₄	Mean	8.6436×10¹	8.0070×10¹	1.3112×10⁵	6.1985×10¹	6.7377×10³	4.9240×10³	4.3238×10³	7.1204×10⁴	2.6955×10⁵	3.5454×10³
	Std	4.3766×10¹	1.9915×10¹	2.3335×10⁵	8.6647×10⁰	5.5695×10³	3.2902×10³	5.7159×10³	5.9323×10⁴	2.4525×10⁵	4.1276×10³
	Rank	3	2	9	1	7	6	5	8	10	4
F₁₅	Mean	1.8396×10³	2.0792×10³	3.3658×10⁵	5.1634×10¹	9.7487×10³	4.9944×10³	2.1676×10³	2.2013×10³	3.2784×10³	3.9091×10³
	Std	2.9044×10³	7.9984×10³	7.9125×10⁵	1.0713×10¹	1.2114×10⁴	6.6468×10³	3.0178×10³	1.9756×10³	1.9819×10³	4.3347×10³
	Rank	2	3	10	1	9	8	4	5	6	7
F₁₆	Mean	3.0243×10²	7.9869×10²	8.1416×10²	4.4823×10²	7.7229×10²	3.9643×10²	5.6072×10²	4.9392×10²	1.2266×10³	5.0039×10²
	Std	2.0550×10²	2.8651×10²	2.6440×10²	1.3443×10²	2.2590×10²	1.1932×10²	2.0850×10²	1.7309×10²	3.0034×10²	2.7575×10²
	Rank	1	8	9	3	7	2	6	4	10	5
F₁₇	Mean	4.7111×10¹	2.2439×10²	2.7004×10²	6.9544×10¹	2.5591×10²	8.1642×10¹	8.7684×10¹	1.4116×10²	5.5825×10²	2.3994×10²
	Std	4.0925×10¹	1.3518×10²	1.3820×10²	1.7296×10¹	1.2971×10²	2.2037×10¹	9.1289×10¹	8.5026×10¹	2.3401×10²	8.8703×10¹
	Rank	1	6	9	2	8	3	4	5	10	7
F₁₈	Mean	6.1013×10⁴	6.9910×10⁴	7.1643×10⁵	2.0505×10²	1.1409×10⁵	3.2225×10⁵	1.0034×10⁵	2.1361×10⁵	9.8409×10⁵	2.0609×10⁵
	Std	5.7031×10⁴	1.0210×10⁵	8.2799×10⁵	4.7536×10¹	1.1535×10⁵	1.2197×10⁵	1.1019×10⁵	1.3261×10⁵	1.1184×10⁶	1.5131×10⁵
	Rank	2	3	9	1	5	8	4	7	10	6
F₁₉	Mean	3.4042×10¹	4.4886×10³	4.6400×10⁵	2.9977×10¹	8.6631×10³	8.3686×10³	5.9612×10³	2.0723×10³	5.2207×10³	6.3203×10³
	Std	2.0528×10¹	1.3325×10⁴	5.4998×10⁵	3.3897×10⁰	1.9974×10⁴	9.2795×10³	7.1112×10³	2.1685×10³	3.9175×10³	1.0793×10⁴
	Rank	2	4	10	1	9	8	6	3	5	7
F₂₀	Mean	9.6665×10¹	2.4290×10²	3.6059×10²	1.1363×10²	2.6516×10²	5.5205×10¹	1.2989×10²	1.7303×10²	4.6345×10²	2.4392×10²
	Std	7.7834×10¹	1.4995×10²	1.0264×10²	5.2411×10¹	1.1737×10²	3.5413×10¹	7.0970×10¹	7.2015×10¹	1.7129×10²	8.4432×10¹
	Rank	2	6	9	3	8	1	4	5	10	7
F₂₁	Mean	2.3023×10²	2.5626×10²	2.8298×10²	2.5458×10²	2.7446×10²	2.5950×10²	2.4896×10²	2.5047×10²	3.7768×10²	2.6988×10²
	Std	8.5095×10⁰	1.6800×10¹	2.5686×10¹	3.3247×10¹	1.9517×10¹	7.6690×10⁰	1.3195×10¹	8.4442×10⁰	7.9462×10¹	1.9589×10¹
	Rank	1	5	9	4	8	6	2	3	10	7
F₂₂	Mean	1.0010×10²	1.9999×10³	8.0434×10²	1.0022×10²	1.4532×10³	1.0000×10²	1.0228×10²	1.0211×10³	2.1380×10³	1.0232×10²
	Std	4.8096×10⁻¹	1.5970×10³	1.1113×10³	4.3917×10⁻²	1.8286×10³	2.3100×10⁻¹³	3.2279×10⁰	1.2872×10³	2.2149×10³	4.0114×10⁰
	Rank	2	9	6	3	8	1	4	7	10	5
F₂₃	Mean	3.7755×10²	4.1635×10²	4.7029×10²	3.8959×10²	4.8447×10²	4.0323×10²	4.1472×10²	4.0247×10²	5.8963×10²	4.5003×10²
	Std	1.0911×10¹	1.6898×10¹	2.9324×10¹	6.8787×10¹	4.4709×10¹	5.6348×10⁰	1.8742×10¹	8.1687×10⁰	8.8792×10¹	3.0546×10¹
	Rank	1	6	8	2	9	4	5	3	10	7
F₂₄	Mean	4.4827×10²	5.4044×10²	5.2489×10²	4.8972×10²	5.6079×10²	4.7430×10²	4.8169×10²	4.9840×10²	7.9489×10²	5.0152×10²
	Std	1.0757×10¹	4.5778×10¹	3.3902×10¹	1.6597×10¹	5.7847×10¹	6.0055×10⁰	2.0610×10¹	1.3899×10¹	8.6391×10¹	2.3700×10¹
	Rank	1	8	7	4	9	2	3	5	10	6
F₂₅	Mean	3.8777×10²	3.8706×10²	4.7784×10²	3.8374×10²	3.8818×10²	3.8691×10²	4.0124×10²	3.8779×10²	4.1099×10²	4.0877×10²
	Std	5.4462×10⁰	8.0647×10⁻¹	2.3819×10¹	1.8246×10⁻¹	3.4076×10⁰	7.5524×10⁻²	1.9489×10¹	1.1319×10⁰	2.1657×10¹	2.2401×10¹
	Rank	4	3	10	1	6	2	7	5	9	8
F₂₆	Mean	1.2578×10³	1.6520×10³	2.0116×10³	2.5051×10²	1.4922×10³	1.4821×10³	1.7344×10³	1.5337×10³	2.2418×10³	1.8645×10³
	Std	1.9807×10²	1.7070×10²	5.7618×10²	4.1112×10¹	9.6940×10²	7.2015×10¹	7.1347×10²	1.9051×10²	1.7373×10³	1.0276×10³
	Rank	2	6	9	1	4	3	7	5	10	8
F₂₇	Mean	5.1091×10²	5.0430×10²	5.9279×10²	5.1286×10²	5.3523×10²	4.9807×10²	5.4289×10²	5.0744×10²	5.7919×10²	5.3827×10²
	Std	7.7116×10⁰	8.2707×10⁰	3.8462×10¹	6.1632×10⁰	2.1095×10¹	4.7270×10⁰	1.7086×10¹	3.6242×10⁰	3.5317×10¹	1.6907×10¹
	Rank	4	2	10	5	6	1	8	3	9	7
F₂₈	Mean	3.3558×10²	4.0555×10²	5.9941×10²	3.6492×10²	3.5331×10²	3.2281×10²	3.3257×10²	4.1364×10²	4.6256×10²	3.6806×10²
	Std	5.3866×10¹	3.6156×10¹	6.9788×10¹	3.2477×10¹	5.9179×10¹	3.7880×10¹	5.2165×10¹	2.5577×10¹	2.3601×10¹	5.3388×10¹
	Rank	3	7	10	5	4	1	2	8	9	6
F₂₉	Mean	4.5991×10²	6.6978×10²	8.5036×10²	5.4385×10²	6.7006×10²	5.1851×10²	5.5826×10²	5.4778×10²	1.0120×10³	7.8922×10²
	Std	4.4075×10¹	1.7459×10²	1.8235×10²	5.4241×10¹	1.4475×10²	3.4859×10¹	1.0040×10²	8.1960×10¹	2.1872×10²	1.3560×10²
	Rank	1	6	9	3	7	2	5	4	10	8
F₃₀	Mean	2.9823×10³	6.0618×10³	4.0643×10⁶	3.6855×10³	1.8733×10⁴	5.9405×10³	5.0147×10³	4.9671×10³	1.5965×10⁴	5.9572×10³
	Std	6.1135×10²	4.7022×10³	3.1688×10⁶	3.3042×10²	3.4470×10⁴	2.3158×10³	1.9712×10³	2.0934×10³	8.7877×10³	3.9139×10³
	Rank	1	7	10	2	9	5	4	3	8	6
Count		15	0	0	7	1	6	1	0	0	0
Ave rank		1.73	5.27	9.10	3.17	6.67	4.37	4.53	4.63	9.03	6.50
Total rank		1	6	10	2	8	3	4	5	9	7

下载: 导出CSV

| 显示表格

在均值和方差上, 与MEGWO相比, HCOAG优于23次. 与同为混合算法的HFPSO和DEBBO相比, HCOAG分别优于29次和23次. 与SaDE和SE04相比, HCOAG分别优于28次和29次. 与FWA和TLBO相比, HCOAG分别优于30次和29次. 在总排名上, HCOAG排名第一, 接下来依次为MEGWO、DEBBO、SaDE、SE04、COA、TLBO、HFPSO、FWA、GWO. 因此, HCOAG的性能优于9个先进对比算法的性能.

4.5 收敛性能分析

为了验证HCOAG的收敛性能, 给出HCOAG与COA、MEGWO、DEBBO、TLBO和HFPSO在CEC2017测试集中30维函数的收敛图. 受篇幅所限, 本文仅选取有代表性的函数作为示例进行对比分析. 在F₁ ~ F₃中选取1个单峰函数, 即F₁, 在F₄ ~ F₁₀中选取F₅, F₇, F₈这3个多峰函数, 在F₁₁ ~ F₂₀中选取F₁₁, F₁₂, F₁₆, F₁₇这4个混合函数, 在F₂₁ ~ F₃₀中选取F₂₁, F₂₃, F₂₄, F₂₉这4个复合函数, 其收敛图见图6.

图 6 HCOAG、COA、MEGWO、DEBBO、TLBO和HFPSO的收敛图

Fig. 6 Convergence curves of HCOAG, COA, MEGWO, DEBBO, TLBO, and HFPSO

下载: 全尺寸图片幻灯片

从图6中可以看出, 在3个函数F₁, F₅和F₈上, 随着函数评价次数的增加, 在收敛速度上, HCOAG较对比算法要快得多, 优势明显. 在其余9个函数上, 虽然HCOAG的收敛速度优势不是很明显, 但在收敛性能上也优于其他对比算法. 总之, 无论在单峰函数和多峰函数上, 还是在混合函数和复合函数上, HCOAG的收敛速度都比其他对比算法的收敛速度快, 表明HCOAG具有更优秀的收敛性能. 这些都说明, 本文提出的高斯全局趋优成长算子、动态调整组内郊狼数方案以及简化操作的GWO搜索算子等的采用都为收敛速度的提升做出了贡献, 这些策略的融合使用是有效可行的.

4.6 时间对比分析

为了考察HCOAG的运行时间, 直接采用第4.4节的实验. 因为HCOAG是COA和GWO的混合算法, 故仅记录HCOAG、COA和GWO在30维CEC2017函数上的耗时, 它们在独立运行30次获得不同函数类型的平均耗时结果见图7. 横坐标为不同的函数类型, 纵坐标为平均时间(s).

图 7 HCOAG与COA、GWO在不同类别函数上的平均时间对比图

Fig. 7 Comparison bars of average time of HCOAG, COA, and GWO on different kinds of functions

下载: 全尺寸图片幻灯片

从图7可以看出, 在单峰函数上, HCOAG耗时(2.4443 s)是COA耗时(2.9988 s)的81.51%, GWO耗时(2.4222 s)是HCOAG耗时(2.4443 s)的99.10%; 在多峰函数上, HCOAG耗时(2.9211 s)分别是COA(3.5503 s)和GWO(2.9233 s)耗时的84.25%和99.92%; 在混合函数上, HCOAG耗时(3.6246 s)是COA耗时(4.2034 s)的86.23%, GWO耗时(3.4981 s)是HCOAG耗时(3.6246 s)的96.51%; 在复合函数上, HCOAG耗时(6.1480 s)是COA耗时(7.0897 s)的86.72%, GWO耗时(6.0822 s)是HCOAG耗时(6.1480 s)的98.93%. 故无论是单峰函数和多峰函数, 还是混合函数和复合函数, HCOAG的耗时都与GWO耗时大致持平. 其主要原因是: 1) HCOAG与GWO都采用并行计算模式, 但GWO结构简单, 而其产生新解的计算复杂度(见式(12))较高; 2) HCOAG虽然采用精简GWO, 但需要分组并在组内寻优, 结构复杂, 故二者耗时大致持平(HCOAG耗时稍多于GWO的耗时). 在耗时上, HCOAG较COA少, 主要原因是: 1)在成长过程的目标函数评价上, 后者采用串行计算, 前者采用并行计算减少了运行时间; 2)虽然在成长过程中嵌入了GWO搜索, 但采用精简的GWO搜索方式并未增加多少计算成本; 3)前者没有郊狼被驱离和接纳操作, 节省了运行时间; 4)动态调整方案减少了生与死操作次数.

综合第4.3 ~ 4.6节, HCOAG在较短的时间内能获得最好的优化性能, 说明了其优化效率高.

4.7 上下界分析

为了能够更充分地评价HCOAG的性能, 本节对其进行上下界分析, 即在一个优化问题上, 独立运行一定次数后考察其最坏结果和最优结果.

因为本文将HCOAG应用于CEC2017复杂函数集上, 此函数集有30个不同的优化问题, 其全局最优解对应的最优值不同, 故其获得的上下界也不同. 限于篇幅, 在CEC2017四类函数上分别选取了同样的一个函数(F₁, F₅, F₁₁, F₂₉)进行上下界讨论, 即在51次的运行结果中选择最好值和最差值分别作为本文提出算法在该函数上的上下界, 并与对比算法中结果最好的算法(在F₁和F₅上选用COA; 在F₁₁和F₂₉上选用DEBBO)获得的上下界进行对比.

为了直观和方便对比, 对3个算法获得的结果进行了统一的处理: 即将每个算法每次独立运行结果减去理想的最优函数值作为最终结果, 让每个函数的理想最优值为0. 在4个函数上的上下界结果见表5.

表 5 在30维CEC2017复杂函数上的上下界结果对比

Table 5 Comparison of upper and lower bounds on the 30-dimensional complex functions from CEC2017

函数	HCOAG		COA/DEBBO
函数	下界	上界	下界	上界
F₁	3.8942×10^-9	7.8898×10^-3	3.5001×10⁰	5.0055×10³
F₅	1.2935×10¹	4.1788×10¹	2.6865×10¹	9.2083×10¹
F₁₁	4.0954×10⁰	7.5899×10¹	1.3819×10¹	8.8108×10¹
F₂₉	3.7200×10²	6.0977×10²	4.4500×10²	6.2345×10²

下载: 导出CSV

| 显示表格

从表5可以看出, 在4个函数上, 无论上界还是下界, HCOAG都比对比算法小, 说明本文提出的算法比对比算法好, 也证明了本文提出算法的有效性.

4.8 渐进收敛性分析

依据文献[23]的随机泛函分析方法原理, 本节对HCOAG的收敛性进行分析. 从算法3的描述和HCOAG流程图(图4)可以看出, HCOAG由3个算子完成新解的产生, 即高斯全局趋优成长算子、简化GWO搜索算子以及生与死算子. 高斯全局趋优成长算子类似DE (Differential evolution)中的DE/rand-to-best/1/bin变异算子; 简化GWO搜索算子类似DE中的DE/best/1/bin变异算子; 生与死算子相当于遗传算法中的变异算子. 3个算子产生的新解都采用贪心算法严格基于优胜劣汰策略, 通过淘汰新解与原解中较差者产生更优的新一代个体. 故对于最小优化问题, HCOAG评价函数序列为单调非递增序列. 为了证明HCOAG的渐近收敛性, 首先做如下定义.

定义1. 设${\boldsymbol{Q}}(t) $表示${\boldsymbol{X}}(t) $的中间群体, ${\boldsymbol{V}}_{c,j}(t+ 1) \in {\boldsymbol{Q}}(t+1) $, 则HCOAG搜索算子定义如下:

高斯全局趋优成长与简化GWO搜索混合算子定义为

$$\begin{split} & {{\boldsymbol{V}}_{c,j}}\left( {t + 1} \right) = \\ & \left\{ {\begin{aligned} &\dfrac{ {{\boldsymbol{N}}{{\boldsymbol{X}}_{1,j}} + {\boldsymbol{N}}{{\boldsymbol{X}}_{2,j}} + {\boldsymbol{N}}{{\boldsymbol{X}}_{3,j}}} }{3},&rand < CR\\ &{{\boldsymbol{X}}_{c,j}} + r{n_1} \times {{\boldsymbol{\delta }}_{3,j}} + r{n_2} \times {{\boldsymbol{\delta }}_{{{2}},j}},&rand \ge CR \end{aligned}} \right.\end{split} $$

(31)

生与死算子定义为

$${{\boldsymbol{V}}_j}(t + 1) = \left\{ {\begin{split} &{{{\boldsymbol{X}}_{c{r_1},j}},}\quad{{r_j} < {P_s}\;or\;j = {j_1}}\\ &{{{\boldsymbol{X}}_{c{r_2},j}},}\quad{{r_j} \ge {P_s} + {P_a}\;{或}\;j = {j_2}}\\ &{{R_j},}\quad\quad\;\;{其他} \end{split}} \right.$$

(32)

假设$f({\boldsymbol{X}}) $为最小优化函数, 解空间${\boldsymbol{S}}={\boldsymbol{X}}|{\boldsymbol{X}}= \{x_1, x_2, \cdots, x_D\}$且$L_j \le x_j \le U_j $, $j=1, 2, \cdots, D $}为D维欧氏空间${\bf{R}}^D $的有界子空间. 为了在进行数值计算时不受计算精度的限制, 设定HCOAG的计算精度保留到小数点后第k位数字.

定义2. 两种算子的混合策略是一种按照概率$CR/D $和($1-CR/D $)对群体中个体向量的每一维分量分别采用简化GWO搜索算子和高斯全局趋优成长算子以及在每一组中最差郊狼上采用生与死算子进行重组变换的过程, 它是解空间上的一种随机映射${\boldsymbol{\psi}} : {{\varOmega}} \times {\boldsymbol{S}}→{\boldsymbol{S}}^2$, 可定义为

$$\begin{split} & \mu \left\{ {\omega \left| {{\boldsymbol{\psi}} \left( {\omega ,{\boldsymbol{X}}} \right) = \left\langle {{\boldsymbol{X}},{\boldsymbol{V}}} \right\rangle } \right.} \right\} = \\ & \quad\quad\quad \mu \left\{ {{\boldsymbol{V}} = F\left( {{\boldsymbol{X}},{{\boldsymbol{X}}_c},{{\boldsymbol{X}}_j},{{\boldsymbol{X}}_k},{{\boldsymbol{X}}_{\rm mod}}} \right)} \right\} \\ \end{split} $$

(33)

其中, $(\varOmega$, $M $, $\mu ) $是完全概率测度空间, $\varOmega$是非空抽象集合, 其元素$\omega $为基本事件, $M $是$\varOmega$的某些子集所构成的$\sigma $代数, $\mu $是M上的概率测度. $X_{\rm mod} $表示郊狼为${\boldsymbol{GP}} $, ${\boldsymbol{alpha}} $或${\boldsymbol{cult}} $, $F({\boldsymbol{X}}, {\boldsymbol{X}}_c, {\boldsymbol{X}}_j, {\boldsymbol{X}}_k, {\boldsymbol{X}}_{\rm mod})$由式(31)和式(32)确定.

由于HCOAG与DE一样采用贪心算法更新种群, 因此在每次迭代过程中相当于3种算子所对应的随机映射$ {\boldsymbol{\psi}} $和贪心选择所对应的映射逆序$ {\boldsymbol{\psi}} _2 $合成的映射$ {\boldsymbol{\psi}} ' $作用于当前群体, 即${\boldsymbol{X}}(t+1)= {\boldsymbol{\psi}} '(\omega , {\boldsymbol{X}}(t))= {\boldsymbol{\psi}} _2( {\boldsymbol{\psi}} (\omega , {\boldsymbol{X}}(t)))$. 这样在映射${\boldsymbol{\psi}}' $的作用下, HCOAG每次迭代种群产生的${\boldsymbol{GP}} $的适应度值构成的序列$\{f (X_{GP}(t))\}_{1 \,\le \,t \,\le\, MaxDT}$是一个单调非递增序列. 同样, ${\boldsymbol{\psi}}' $可重新定义为 ${\boldsymbol{B}}_{t+1}= {\boldsymbol{\psi}}' (\omega , {\boldsymbol{B}}_t)={\boldsymbol{\psi}}_2({\boldsymbol{\psi}}(\omega, {\boldsymbol{B}}_t)), {\boldsymbol{B}}_{t+1}$和${\boldsymbol{B}}_t $分别为${\boldsymbol{X}}(t+1) $和${\boldsymbol{X}}(t) $的最优个体. 因此类似于文献[23]中的定理1, 可得到如下定理.

定理1. HCOAG的一次迭代所形成的随机映射${\boldsymbol{\psi}}' $是一个随机压缩算子.

再依据文献[23]引理2, 即可得到HCOAG渐进收敛的结论, 即定理2.

定理2. 设${\boldsymbol{\psi}}' $为HCOAG形成的随机压缩算子, 则${\boldsymbol{\psi}}' $具有唯一的随机不动点, 即HCOAG是渐进收敛的.

4.9 Wilcoxon符号秩检验和Friedman检验

Wilcoxon符号秩检验方法^[24]是一种非参数统计性检验方法, 目的在于检验两个样本均值之间的显著差异. 其中$p $值由$R^+ $和R⁻计算可得, $R^+ $表示正秩总和, $R^-$表示负秩总和, 具体见式(34)和式(35), $d_i $为两种算法在$n $个问题中第$i $个问题上的性能分数的差值. 当HCOAG算法与对比算法性能相同时, 对应的秩平分给$R^+ $和$R^- $. 为检验HCOAG与表4中对比算法的显著性差异, 在软件IBM SPSS Statistics 24上实现Wilcoxon检验, 结果如表6所示. 表6中, n/w/t/l表示在n个函数上HCOAG分别优于对比算法w次, 与对比算法相等t次, 劣于对比算法l次.

表 6 Wilcoxon符号秩检验结果

Table 6 Wilcoxon sign rank test results

	$p $	$a=0.05 $	$R^+ $	$R^- $	$n/w/t/l $
HCOAG vs COA	1.3039×10⁻⁷	YES	453	12	30/27/0/3
HCOAG vs GWO	1.8626×10⁻⁹	YES	465	0	30/30/0/0
HCOAG vs MEGWO	2.7741×10⁻²	YES	339	126	30/23/0/7
HCOAG vs HFPSO	5.5879×10⁻⁹	YES	463	2	30/29/0/1
HCOAG vs DEBBO	9.0000×10⁻⁶	YES	429	36	30/23/0/7
HCOAG vs SaDE	3.5390×10⁻⁸	YES	458	7	30/28/0/2
HCOAG vs SE04	1.3039×10⁻⁸	YES	461	4	30/29/0/1
HCOAG vs FWA	1.8626×10⁻⁹	YES	465	0	30/30/0/0
HCOAG vs TLBO	3.7253×10⁻⁹	YES	464	1	30/29/0/1

下载: 导出CSV

| 显示表格

$${R^ + } = \sum\limits_{{d_i} > 0} {{\rm{rank}}\left( {{d_i}} \right)} + \frac{1}{2}\sum\limits_{{d_i} = 0} {{\rm{rank}}\left( {{d_i}} \right)} $$

(34)

$${R^ - } = \sum\limits_{{d_i} < 0} {{\rm{rank}}\left( {{d_i}} \right)} + \frac{1}{2}\sum\limits_{{d_i} = 0} {{\rm{rank}}\left( {{d_i}} \right)} $$

(35)

从表6可以看出, 与COA和GWO相比, p值分别为1.3039×10⁻⁷和1.8626×10⁻⁹, 均小于0.05, 表明HCOAG显著优于COA和GWO, 再一次说明COA和GWO二者的改进与混合是有效的. HCOAG与MEGWO、HFPSO、DEBBO、SaDE、SE04、FWA和TLBO相比的p值均小于0.05, 表明HCOAG也显著优于这些对比算法.

Friedman检验是一种非参数双向方差分析方法^[24], 目的在于检测两个或多个观测数据之间的显著性差异. 具体实现过程分为3步: 1)收集每个算法或者问题的观测结果; 2)对于每个问题$i $的从1 (最好结果)到$k $(最差结果)的排名值, 定义为$ r_i^j $ (1 ≤ j ≤ k); 3)在所有问题中求出每个算法的平均排名, 得到最后排名${R_j} = \dfrac{1}{n}\mathop \sum \nolimits_{i = 1}^n r_i^j$. 在零假设下所有算法的行为相似(它们的秩$R_j $相等), Friedman统计值$F_f $的计算方式如式(36), 当$n $和$k $足够大时(根据经验n > 10, k > 5), 它是按照$k-1 $自由度的$x^2 $分布的. 为了再次验证HCOAG的显著性, 依据表4对HCOAG和对比算法在软件IBM SPSS Statistics 24上实现Friedman检验, 其结果如表7所示.

表 7 Friedman检验结果

Table 7 Friedman test results

D	p	HCOAG	COA	GWO	MEGWO	HFPSO	DEBBO	SaDE	SE04	FWA	TLBO
30	6.3128×10^-31	1.73	5.27	9.10	3.17	6.67	4.37	4.53	4.63	9.03	6.50

下载: 导出CSV

| 显示表格

$${F_f} = \frac{{12n}}{{k\left( {k + 1} \right)}}\left[ {\sum\nolimits_j {R_j^2} -\frac{ k{\left( {k + 1} \right)}^2}{{4}}} \right]$$

(36)

从表7可以看出, 在30维复杂函数上, 通过Friedman检验获得的渐进显著性p值为6.3128×10⁻³¹, 由于得到的渐进显著性小于0.01, 所以在30维上HCOAG与对比算法之间存在显著性的差异. HCOAG算法的秩均值(1.73)最小, 随后依次是MEGWO、DEBBO、SaDE、SE04、COA、TLBO、HFPSO、FWA和GWO, 表明HCOAG的优化性能最好. 结合Wilcoxon符号秩检验和Friedman检验结果可以得出, HCOAG总体上明显优于先进的对比算法.

5. HCOAG在K-Means聚类优化上的应用

聚类在数据挖掘领域发挥着十分重要的作用, 通过对聚类的数据分析可以得到数据的具体分布情况以及掌握数据类型的特点^[25]. 其中, 最常用的聚类方法是K-Means方法^[26], 其在n个样本数据中的具体实现过程如下: 首先随机产生K个初始聚类中心, 然后计算每个样本与各聚类中心的距离, 接着将样本与距离最近的聚类中心划分到一个组内, 形成K个组, 最后重新计算每个组内所有样本的均值作为新聚类中心并进行下一次划分, 如此迭代执行划分过程直到满足终止条件为止. K-Means方法具有原理简单、可伸缩性好以及效率高等优势, 但存在对初始点敏感和易陷于局部最优等问题. 目前已有研究将SIOA运用到K-Means聚类中, 很好地解决了K-Means算法存在的一些问题^{[25, 27]}. 本节采用HCOAG优化K-Means聚类以解决其对初始点敏感等问题, 其中, 目标函数的定义为

$$E = \sum_{k = 1}^K {\sum_{{x_i} \in {C_k}} {{{\left\| {{{\boldsymbol{x}}_i} - {{\boldsymbol{c}}_k}} \right\|}^2}} } $$

(37)

其中, $E $是数据集中所有数据点到所属聚类的聚类中心的距离和, $K $是聚类中心个数, ${\boldsymbol{c}}_k $是第$k $个聚类中心位置, $C_k $是第$k $个聚类簇, ${\boldsymbol{x}}_i $是聚类族$C_k $中第$i $个数据点. 将HCOAG应用到K-Means上, 首先假设每头郊狼由$k $个聚类中心组成, 则解向量的维数应等于$k $× 数据样本的特征数, 目标函数采用式(37); 接着执行HCOAG, 直到满足算法的终止条件, 输出最优聚类中心.

实验采用UCI数据库(http://archive.ics.uci.edu/ml/datasets.php)中7个标准数据集(见表8第1列)来验证HCOAG在K-Means聚类优化上的有效性, 数据集名称后的括号内的数字为样本数、属性数和聚类数. 选取的5个对比算法包括: COA、MEGWO、HFPSO、擅长聚类优化的改进的粒子群优化算法(Improved PSO, IPSO)和改进的遗传算法(Improved genetic algorithm, IGA). 其中, IPSO和IGA来自“http://yarpizcom/64/ypml101-evolutionary-clustering”. 所有算法的公共参数设置相同: $N=50 $, $MaxDT=200 $, $Num=30 $. 表8是6种算法独立运行30次获得的均值、方差和排名结果.

表 8 6种算法在K-Means聚类优化上的结果对比

Table 8 Comparison results of the 6 algorithms on K-Means clustering optimization

数据集		HCOAG	COA	MEGWO	HFPSO	IPSO	IGA
Wine (178, 13, 3)	Mean	88.6271	116.7307	91.5916	93.622	89.8617	89.564
	Std	3.4479×10⁻²	2.9398×10⁰	2.5237×10⁰	6.7353×10⁰	3.9148×10⁰	2.0321×10⁰
	Rank	1	6	4	5	3	2
Heart (270, 13, 2)	Mean	283.7680	295.3786	284.5731	284.7653	285.0072	284.4112
	Std	3.9989×10⁻³	2.3404×10⁰	2.3896×10⁻¹	2.3804×10⁰	5.2425×10⁰	2.1715×10⁰
	Rank	1	6	3	4	5	2
Iris (150, 4, 3)	Mean	29.2053	31.0511	29.2659	29.3578	29.3578	29.2607
	Std	8.8033×10⁻²	5.7768×10⁻¹	1.3448×10⁻¹	1.0048×10⁰	1.0048×10⁰	9.2414×10⁻²
	Rank	1	6	3	4	4	2
Glass (214, 9, 6)	Mean	55.0255	75.4621	68.8816	62.7114	57.3102	60.8651
	Std	2.2242×10⁰	2.1402×10⁰	2.8975×10⁰	3.7975×10⁰	3.5444×10⁰	3.5855×10⁰
	Rank	1	6	5	4	2	3
Newthyroid (215, 5, 3)	Mean	40.0538	42.0033	40.4736	41.8087	40.8213	41.9155
	Std	9.8154×10⁻³	7.6493×10⁻¹	4.0104×10⁻¹	2.8501×10⁰	2.0086×10⁰	2.8122×10⁰
	Rank	1	6	2	4	3	5
Liver disorders (345, 6, 2)	Mean	90.3443	93.5344	90.3849	91.0246	90.3365	90.3698
	Std	3.8530×10⁻⁴	1.0160×10⁰	2.8148×10⁻²	2.6310×10⁰	2.1424×10⁻²	2.0447×10⁻²
	Rank	2	6	4	5	1	3
Balance (625, 4, 3)	Mean	356.1247	357.6041	356.502	356.0165	356.0802	356.4092
	Std	2.3618×10⁻¹	4.0943×10⁻¹	3.3785×10⁻¹	1.5930×10⁻¹	2.0303×10⁻¹	1.4966×10⁻¹
	Rank	3	6	5	1	2	4
Count		5	0	0	1	1	0
Ave rank		1.43	6.00	3.71	3.86	2.86	3.00
Total rank		1	6	4	5	2	3

下载: 导出CSV

| 显示表格

从表8可知, HCOAG在7个数据集上的均值和方差得到排名第一5次, 其次是HFPSO和IPSO均为1次, COA、MEGWO和IGA均获得0次第一. HCOAG的平均排名为1.43, 其他算法的平均排名顺序依次为: IPSO、IGA、MEGWO、HFPSO和COA. 以上结果都表明HCOAG在K-Means聚类上的优化性能最好. 总之, HCOAG在K-Means聚类优化中获得竞争性的优化性能, 能够更好地处理聚类优化问题.

6. 结束语

针对COA存在的不足, 本文提出了一种COA与GWO的混合算法(HCOAG). 首先, 改进COA (ICOA). 1)在成长过程中, 提出一种高斯全局趋优成长算子, 提高了搜索能力; 2)提出一种动态调整组数方案, 搜索前期采用较少组数, 减弱全局最优解的正反馈作用, 强化探索能力, 后期采用较多组数, 增强全局最优解的正反馈作用, 强化开采能力, 并提高可操作性. 然后, 对GWO进行改进, 提出了一种精简的GWO (SGWO), 在发挥其局部搜索能力强的优势同时, 提高了可操作性. 最后, 采用正弦交叉策略将ICOA与SGWO有机融合, 很好地平衡了组内郊狼的探索与开采能力, 从而获得了最佳优化性能. 大量经典函数与CEC2017复杂函数优化的实验结果表明, 在经典函数上, COA不及GWO; 在复杂函数上, GWO不及COA; 而HCOAG在两类优化问题上都有更好的性能, 说明二者混合有必要和有效; 与其他先进的对比算法相比, HCOAG具有更好的优化性能. K-Means聚类优化结果表明, 与对比算法相比, HCOAG获得了竞争性的优化性能.

总之, 与COA相比, HCOAG具有如下优势: 1)普适性强, 经典函数和复杂函数优化以及聚类优化3组实验结果表明, HCOAG都有更好的表现; 2)耗时少, 因此有更好的搜索效率; 3)更好的收敛质量; 4)更强的稳定性和鲁棒性, 5)可操作性更强.

COA是最近提出的一种SIOA, 尚有许多地方需要探讨和完善, 本文仅是一种混合改进研究的尝试. 未来将进一步改进COA, 对其进行深入的理论研究, 并拓展其应用领域.

图 1 高斯过程(Kriging模型)图解

Fig. 1 Gaussian process (Kriging model) description

下载: 全尺寸图片幻灯片

图 2 径向空间中个体的位置分布情况

Fig. 2 Individual location distribution in radial space

下载: 全尺寸图片幻灯片

图 3 6种算法在求解3个目标DTLZ1问题过程中获得的最佳HV值对应的非支配解集

Fig. 3 The non-dominated solution set corresponding to the best HV value obtained by the six algorithms in solving the three objective DTLZ1 problems

下载: 全尺寸图片幻灯片

图 4 6种算法在10个目标DTLZ2测试问题上最佳解集的平行坐标图和径向坐标图

Fig. 4 Parallel coordinate diagram and radial coordinate diagram of the best solution set of the six algorithms on 10 objective DTLZ2 test problems

下载: 全尺寸图片幻灯片

图 5 K-RSEA和5种对比算法在求解3个和10个目标DTZL4问题时的IGD和HV变化

Fig. 5 The IGD and HV changes of K-RSEA and five comparison algorithms when solving 3 and 10 objective DTZL4 problems

下载: 全尺寸图片幻灯片

图 6 K-RSEA和5种对比算法在求解3个目标DTZL5问题时的IGD和HV变化

Fig. 6 The IGD and HV changes of K-RSEA and five comparison algorithms when solving 3 objective DTZL5 problems

下载: 全尺寸图片幻灯片

图 7 K-RSEA和5种对比算法求解DTLZ7问题过程中获得的最佳HV值对应的非支配前沿

Fig. 7 The non-dominant frontier corresponding to the best HV value obtained in the process of solving the DTLZ7 problem by K-RSEA and five comparison algorithms

下载: 全尺寸图片幻灯片

图 8 K-RSEA和5种对比算法求解WFG2问题过程中获得的最佳HV值对应的非支配前沿

Fig. 8 The non-dominant frontier corresponding to the best HV value obtained in the process of solving the WFG2 problem with K-RSEA and five comparison algorithms

下载: 全尺寸图片幻灯片

图 9 K-RSEA和5种对比算法在求解3个目标WFG5、WFG6和WFG8问题时的IGD变化

Fig. 9 The IGD changes of K-RSEA and five comparison algorithms when solving three objective WFG5, WFG6 and WFG8 problems

下载: 全尺寸图片幻灯片

图 10 K-RSEA和5种对比算法在求解10个目标WFG5、WFG6和WFG8问题时的HV变化

Fig. 10 The HV changes of K-RSEA and five comparison algorithms when solving 10 objective WFG5, WFG6 and WFG8 problems

下载: 全尺寸图片幻灯片

图 11 6种算法在10个目标WFG7测试问题上最佳解集的平行坐标图和径向坐标图

Fig. 11 Parallel coordinate diagram and radial coordinate diagram of the best solution set of the six algorithms on 10 objective WFG7 test problems

下载: 全尺寸图片幻灯片

图 12 6种算法分别在不同问题上的运行时间比较

Fig. 12 Comparison of the running time of the six algorithms on different problems

下载: 全尺寸图片幻灯片

图 13 算法在汽车耐撞性优化问题上的非支配解

Fig. 13 The non-dominant solution of the algorithm in the optimization of automobile crash-worthiness

下载: 全尺寸图片幻灯片

表 1 测试问题及特征

Table 1 Test problems and their features

问题	特征
DTLZ1, 3	多模态、DTLZ1 线性
DTLZ2, 4 ~ 6	凹、DTLZ4 有偏好、DTLZ5 退化、 DTLZ6 退化且有偏好
DTLZ7	混合、不连续、多模态
WFG1	凸的、混合有偏好
WFG2	凸的、不连续
WFG3	线性、退化
WFG4 ~ 9	凹的、WFG4 多模态、WFG5 具有欺骗性、 WFG6 不可分、WFG7 有偏好、WFG8 不可分且有偏好、WFG9 多模态、有偏好

下载: 导出CSV

表 2 6种算法在不同维数的DTLZ测试问题上获得的IGD平均值和标准差

Table 2 The IGD average and standard deviation obtained by the six algorithms on DTLZ test problems of different dimensions

测试问题	目标数	NSGA-III	CPS-MOEA	CSEA	K-RVEA	MOEA/D-EGO	K-RSEA
DTLZ1	3	9.9972 × 10¹ (2.47 × 10¹) −	8.2935 × 10¹ (1.74 × 10¹) =	5.6789 × 10¹ (1.00 × 10¹) +	8.2001 × 10¹ (1.84 × 10¹) =	8.2705 × 10¹ (1.33 × 10¹) =	8.6600 × 10¹ (1.91 × 10¹)
	4	7.3063 × 10¹ (1.63 × 10¹) −	6.4843 × 10¹ (1.64 × 10¹) =	4.3597 × 10¹ (1.34 × 10¹) +	5.6857 × 10¹ (1.25 × 10¹) =	6.9011 × 10¹ (1.39 × 10¹) =	5.9990 × 10¹ (1.41 × 10¹)
	6	3.3806 × 10¹ (1.24 × 10¹) =	3.1427 × 10¹ (7.13 × 10⁰) =	1.5953 × 10¹ (5.45 × 10⁰) +	2.7870 × 10¹ (1.01 × 10¹) =	3.3203 × 10¹ (1.04 × 10¹) −	2.6831 × 10¹ (7.05 × 10⁰)
	8	6.7072 × 10⁰ (3.99 × 10⁰) =	1.1629 × 10¹ (2.84 × 10⁰) −	3.6585 × 10⁰ (2.21 × 10⁰) +	7.8298 × 10⁰ (2.68 × 10⁰) =	1.0297 × 10¹ (4.54 × 10⁰) =	8.0032 × 10⁰ (3.95 × 10⁰)
	10	5.0209 × 10⁻¹ (3.59 × 10⁻¹) −	4.7694 × 10⁻¹ (1.80 × 10⁻¹) −	2.8192 × 10⁻¹ (5.67 × 10⁻²) =	3.7187 × 10⁻¹ (8.49 × 10⁻²) =	4.3847 × 10⁻¹ (1.13 × 10⁻¹) −	3.3052 × 10⁻¹ (1.04 × 10⁻¹)
DTLZ2	3	3.2991 × 10⁻¹ (2.63 × 10⁻²) −	3.2931 × 10⁻¹ (2.69 × 10⁻²) −	2.1298 × 10⁻¹ (2.81 × 10⁻²) −	1.1972 × 10⁻¹ (1.36 × 10⁻²) −	3.4065 × 10⁻¹ (3.28 × 10⁻²) −	1.1075 × 10⁻¹ (7.03 × 10⁻²)
	4	3.5643 × 10⁻¹ (2.82 × 10⁻²) −	3.7663 × 10⁻¹ (2.18 × 10⁻²) −	2.9615 × 10⁻¹ (2.61 × 10⁻²) −	2.2144 × 10⁻¹ (1.80 × 10⁻²) =	3.6787 × 10⁻¹ (2.61 × 10⁻²) −	2.3347 × 10⁻¹ (4.97 × 10⁻²)
	6	4.8763 × 10⁻¹ (2.37 × 10⁻²) −	4.9201 × 10⁻¹ (2.47 × 10⁻²) −	4.2782 × 10⁻¹ (4.32 × 10⁻²) −	3.6589 × 10⁻¹ (1.98 × 10⁻²) =	4.7191 × 10⁻¹ (2.23 × 10⁻²) −	3.6494 × 10⁻¹ (1.93 × 10⁻²)
	8	5.8827 × 10⁻¹ (3.63 × 10⁻²) −	5.8008 × 10⁻¹ (2.61 × 10⁻²) −	5.8141 × 10⁻¹ (3.39 × 10⁻²) −	4.1673 × 10⁻¹ (1.44 × 10⁻²) +	5.3642 × 10⁻¹ (2.73 × 10⁻²) −	4.2547 × 10⁻¹ (1.04 × 10⁻²)
	10	6.3227 × 10⁻¹ (2.04 × 10⁻²) −	6.3801 × 10⁻¹ (1.80 × 10⁻²) −	6.7240 × 10⁻¹ (2.38 × 10⁻²) −	5.0316 × 10⁻¹ (1.57 × 10⁻²) −	5.2187 × 10⁻¹ (2.24 × 10⁻²) −	4.7549 × 10⁻¹ (7.36 × 10⁻³)
DTLZ3	3	2.8787 × 10² (6.58 × 10¹) −	2.3395 × 10² (3.82 × 10¹) =	1.5653 × 10² (3.81 × 10¹) +	2.3708 × 10² (4.75 × 10¹) =	1.9962 × 10² (2.65 × 10¹) +	2.3648 × 10² (5.58 × 10¹)
	4	2.0889 × 10² (6.54 × 10¹) =	1.6267 × 10² (4.26 × 10¹) =	1.2297 × 10² (2.83 × 10¹) +	1.8558 × 10² (3.48 × 10¹) =	1.5411 × 10² (1.28 × 10¹) =	1.8023 × 10² (5.61 × 10¹)
	6	1.0529 × 10² (2.46 × 10¹) =	9.4164 × 10¹ (1.89 × 10¹) =	5.6044 × 10¹ (1.64 × 10¹) +	8.4557 × 10¹ (2.82 × 10¹) =	9.6519 × 10¹ (1.60 × 10¹) =	8.9132 × 10¹ (3.24 × 10¹)
	8	2.6642 × 10¹ (9.61 × 10⁰) =	2.8860 × 10¹ (1.24 × 10¹) =	1.3883 × 10¹ (5.25 × 10⁰) +	2.2607 × 10¹ (8.99 × 10⁰) +	3.7525 × 10¹ (1.23 × 10¹) =	3.0443 × 10¹ (1.15 × 10¹)
	10	1.5073 × 10⁰ (4.05 × 10⁻¹) −	1.5000 × 10⁰ (3.78 × 10⁻¹) −	1.0257 × 10⁰ (2.63 × 10⁻¹) =	1.2960 × 10⁰ (3.55 × 10⁻¹) =	1.2942 × 10⁰ (3.36 × 10⁻¹) =	1.1642 × 10⁰ (2.93 × 10⁻¹)
DTLZ4	3	7.2107 × 10⁻¹ (1.19 × 10⁻¹) −	5.9002 × 10⁻¹ (3.92 × 10⁻²) −	5.1951 × 10⁻¹ (1.51 × 10⁻¹) =	3.0267 × 10⁻¹ (7.37 × 10⁻²) +	5.9687 × 10⁻¹ (6.57 × 10⁻²) −	4.8903 × 10⁻¹ (1.47 × 10⁻¹)
	4	7.0404 × 10⁻¹ (1.25 × 10⁻¹) −	6.2009 × 10⁻¹ (4.24 × 10⁻²) −	4.6042 × 10⁻¹ (7.33 × 10⁻²) +	4.0021 × 10⁻¹ (8.08 × 10⁻²) +	6.8696 × 10⁻¹ (4.77 × 10⁻²) −	5.5991 × 10⁻¹ (1.28 × 10⁻¹)
	6	8.0377 × 10⁻¹ (7.80 × 10⁻²) −	6.5279 × 10⁻¹ (1.84 × 10⁻²) =	4.9747 × 10⁻¹ (5.83 × 10⁻²) +	4.8631 × 10⁻¹ (5.15 × 10⁻²) +	6.8610 × 10⁻¹ (2.90 × 10⁻²) −	6.2727 × 10⁻¹ (6.36 × 10⁻²)
	8	7.4087 × 10⁻¹ (4.38 × 10⁻²) −	6.3356 × 10⁻¹ (1.32 × 10⁻²) −	5.8324 × 10⁻¹ (3.16 × 10⁻²) =	5.5700 × 10⁻¹ (2.98 × 10⁻²) =	6.5251 × 10⁻¹ (1.32 × 10⁻²) −	5.7685 × 10⁻¹ (4.08 × 10⁻²)
	10	7.3581 × 10⁻¹ (4.34 × 10⁻²) −	6.5510 × 10⁻¹ (1.01 × 10⁻²) −	6.3597 × 10⁻¹ (3.28 × 10⁻²) −	5.9740 × 10⁻¹ (2.69 × 10⁻²) =	6.4268 × 10⁻¹ (9.34 × 10⁻³) −	5.8861 × 10⁻¹ (2.14 × 10⁻²)
DTLZ5	3	2.5926 × 10⁻¹ (3.51 × 10⁻²) −	2.4959 × 10⁻¹ (2.59 × 10⁻²) −	1.1067 × 10⁻¹ (2.85 × 10⁻²) −	8.0805 × 10⁻² (2.49 × 10⁻²) −	2.4856 × 10⁻¹ (2.24 × 10⁻²) −	6.5513 × 10⁻² (4.58 × 10⁻²)
	4	1.9155 × 10⁻¹ (2.36 × 10⁻²) −	2.0562 × 10⁻¹ (2.30 × 10⁻²) −	1.2544 × 10⁻¹ (2.99 × 10⁻²) −	5.9826 × 10⁻² (9.29 × 10⁻³) −	2.1704 × 10⁻¹ (2.73 × 10⁻²) −	2.6100 × 10⁻² (1.00 × 10⁻²)
	6	1.4568 × 10⁻¹ (2.39 × 10⁻²) −	1.2304 × 10⁻¹ (1.85 × 10⁻²) −	7.4651 × 10⁻² (2.05 × 10⁻²) −	3.4219 × 10⁻² (1.06 × 10⁻²) −	1.5500 × 10⁻¹ (1.93 × 10⁻²) −	1.6379 × 10⁻² (1.12 × 10⁻²)
	8	8.7377 × 10⁻² (1.55 × 10⁻²) −	6.5776 × 10⁻² (1.34 × 10⁻²) −	3.8178 × 10⁻² (8.52 × 10⁻³) −	2.0890 × 10⁻² (5.60 × 10⁻³) −	8.2292 × 10⁻² (1.25 × 10⁻²) −	1.2091 × 10⁻² (2.70 × 10⁻³)
	10	4.7648 × 10⁻² (1.45 × 10⁻²) −	2.5322 × 10⁻² (4.41 × 10⁻³) −	1.1891 × 10⁻² (1.17 × 10⁻³) −	1.2745 × 10⁻² (2.29 × 10⁻³) −	2.2116 × 10⁻² (2.45 × 10⁻³) −	7.4301 × 10⁻³ (1.10 × 10⁻³)
DTLZ6	3	6.1232 × 10⁰ (2.01 × 10⁻¹) −	4.1051 × 10⁰ (4.45 × 10⁻¹) −	4.9049 × 10⁰ (6.04 × 10⁻¹) −	3.1198 × 10⁰ (3.59 × 10⁻¹) −	1.8762 × 10⁰ (5.59 × 10⁻¹) =	2.0558 × 10⁰ (4.60 × 10⁻¹)
	4	5.4855 × 10⁰ (2.45 × 10⁻¹) −	3.4387 × 10⁰ (4.98 × 10⁻¹) −	4.9792 × 10⁰ (5.02 × 10⁻¹) −	2.4647 × 10⁰ (3.55 × 10⁻¹) −	1.6752 × 10⁰ (7.38 × 10⁻¹) =	2.0560 × 10⁰ (3.25 × 10⁻¹)
	6	3.8995 × 10⁰ (2.21 × 10⁻¹) −	2.3140 × 10⁰ (5.21 × 10⁻¹) −	3.1061 × 10⁰ (5.07 × 10⁻¹) −	1.2890 × 10⁰ (3.22 × 10⁻¹) =	9.2648 × 10⁻¹ (3.65 × 10⁻¹) +	1.2599 × 10⁰ (3.56 × 10⁻¹)
	8	2.1839 × 10⁰ (2.82 × 10⁻¹) −	9.0259 × 10⁻¹ (2.50 × 10⁻¹) −	1.4584 × 10⁰ (4.60 × 10⁻¹) −	5.3505 × 10⁻¹ (1.82 × 10⁻¹) =	5.1243 × 10⁻¹ (2.60 × 10⁻¹) =	5.9215 × 10⁻¹ (2.14 × 10⁻¹)
	10	5.9508 × 10⁻¹ (2.62 × 10⁻¹) −	5.2061 × 10⁻² (1.55 × 10⁻²) +	1.3300 × 10⁻¹ (9.60 × 10⁻²) =	7.1410 × 10⁻² (2.06 × 10⁻²) =	1.9708 × 10⁻¹ (7.72 × 10⁻²) −	8.4350 × 10⁻² (2.65 × 10⁻²)
DTLZ7	3	5.7028 × 10⁰ (8.46 × 10⁻¹) −	4.9515 × 10⁰ (7.40 × 10⁻¹) −	1.7040 × 10⁰ (5.07 × 10⁻¹) −	1.4314 × 10⁻¹ (4.87 × 10⁻²) −	2.3750 × 10⁻¹ (9.67 × 10⁻²) −	9.0290 × 10⁻² (6.53 × 10⁻²)
	4	7.1332 × 10⁰ (8.88 × 10⁻¹) −	5.3360 × 10⁰ (1.43 × 10⁰) −	2.6700 × 10⁰ (9.51 × 10⁻¹) −	3.7612 × 10⁻¹ (1.37 × 10⁻¹) =	5.3337 × 10⁻¹ (9.02 × 10⁻²) −	3.3295 × 10⁻¹ (1.07 × 10⁻¹)
	6	8.6385 × 10⁰ (2.00 × 10⁰) −	6.2498 × 10⁰ (1.86 × 10⁰) −	4.5051 × 10⁰ (8.80 × 10⁻¹) −	6.3454 × 10⁻¹ (8.41 × 10⁻²) +	8.6377 × 10⁻¹ (6.08 × 10⁻²) +	1.0134 × 10⁰ (1.85 × 10⁻¹)
	8	1.0623 × 10¹ (2.69 × 10⁰) −	4.5094 × 10⁰ (3.09 × 10⁰) −	6.1099 × 10⁰ (1.99 × 10⁰) −	8.7425 × 10⁻¹ (6.82 × 10⁻²) +	1.0618 × 10⁰ (3.82 × 10⁻²) +	2.2654 × 10⁰ (4.25 × 10⁻¹)
	10	3.8760 × 10⁰ (1.81 × 10⁰) −	1.5793 × 10⁰ (9.05 × 10⁻²) +	2.0827 × 10⁰ (5.27 × 10⁻¹) =	1.0910 × 10⁰ (4.35 × 10⁻²) +	1.2142 × 10⁰ (2.27 × 10⁻²) +	2.1206 × 10⁰ (3.77 × 10⁻¹)
+/−/=		0/30/5	2/25/8	10/19/6	8/10/17	5/20/10

下载: 导出CSV

表 3 6种算法在不同维数的DTLZ测试问题上获得的HV平均值和标准差

Table 3 The HV average and standard deviation obtained by the six algorithms on DTLZ test problems of different dimensions

测试问题	目标数	NSGA-III	CPS-MOEA	CSEA	K-RVEA	MOEA/D-EGO	K-RSEA
DTLZ1	3	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰)
	4	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰)
	6	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰)
	8	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰)
	10	2.6667 × 10⁻¹ (2.12 × 10⁻¹) −	1.9822 × 10⁻¹ (1.68 × 10⁻¹) −	6.2982 × 10⁻¹ (1.71 × 10⁻¹) +	3.2562 × 10⁻¹ (2.12 × 10⁻¹) =	1.9434 × 10⁻¹ (1.65 × 10⁻¹) −	4.0899 × 10⁻¹ (2.13 × 10⁻¹)
DTLZ2	3	1.1734 × 10⁻¹ (2.42 × 10⁻²) −	1.2929 × 10⁻¹ (2.86 × 10⁻²) −	3.1461 × 10⁻¹ (5.78 × 10⁻²) −	4.4429 × 10⁻¹ (2.12 × 10⁻²) −	1.3839 × 10⁻¹ (4.54 × 10⁻²) −	4.6981 × 10⁻¹ (1.16 × 10⁻¹)
	4	2.1214 × 10⁻¹ (3.91 × 10⁻²) −	2.0737 × 10⁻¹ (3.04 × 10⁻²) −	3.5746 × 10⁻¹ (7.24 × 10⁻²) −	5.7115 × 10⁻¹ (2.41 × 10⁻²) =	2.2493 × 10⁻¹ (4.31 × 10⁻²) −	5.3573 × 10⁻¹ (1.08 × 10⁻¹)
	6	3.0640 × 10⁻¹ (3.14 × 10⁻²) −	3.0719 × 10⁻¹ (3.32 × 10⁻²) −	5.0211 × 10⁻¹ (7.01 × 10⁻²) −	6.8636 × 10⁻¹ (3.86 × 10⁻²) =	3.6893 × 10⁻¹ (3.19 × 10⁻²) −	6.9607 × 10⁻¹ (4.86 × 10⁻²)
	8	4.4578 × 10⁻¹ (4.27 × 10⁻²) −	4.3830 × 10⁻¹ (2.13 × 10⁻²) −	5.6690 × 10⁻¹ (4.55 × 10⁻²) −	7.6366 × 10⁻¹ (3.84 × 10⁻²) −	5.5566 × 10⁻¹ (2.98 × 10⁻²) −	8.3822 × 10⁻¹ (2.06 × 10⁻²)
	10	5.4274 × 10⁻¹ (2.52 × 10⁻²) −	5.9705 × 10⁻¹ (2.81 × 10⁻²) −	6.3060 × 10⁻¹ (2.88 × 10⁻²) −	8.6321 × 10⁻¹ (1.23 × 10⁻²) −	8.1393 × 10⁻¹ (1.64 × 10⁻²) −	9.1251 × 10⁻¹ (7.76 × 10⁻³)
DTLZ3	3	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰)
	4	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰)
	6	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰)
	8	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰)
	10	3.5213 × 10⁻² (4.90 × 10⁻²) −	2.8103 × 10⁻² (4.73 × 10⁻²) −	2.6473 × 10⁻¹ (1.54 × 10⁻¹) +	9.2144 × 10⁻² (1.22 × 10⁻¹) =	6.5751 × 10⁻² (7.30 × 10⁻²) =	8.5208 × 10⁻² (8.29 × 10⁻²)
DTLZ4	3	1.1785 × 10⁻² (2.18 × 10⁻²) −	1.5375 × 10⁻² (2.50 × 10⁻²) −	1.7626 × 10⁻¹ (8.31 × 10⁻²) +	1.7423 × 10⁻¹ (1.08 × 10⁻¹) +	1.7616 × 10⁻² (2.25 × 10⁻²) −	7.5949 × 10⁻² (7.70 × 10⁻²)
	4	4.9153 × 10⁻² (3.74 × 10⁻²) =	2.4608 × 10⁻² (2.91 × 10⁻²) −	3.1304 × 10⁻¹ (6.63 × 10⁻²) +	2.2725 × 10⁻¹ (8.66 × 10⁻²) +	2.8193 × 10⁻² (2.68 × 10⁻²) −	1.3719 × 10⁻¹ (1.25 × 10⁻¹)
	6	1.1881 × 10⁻¹ (4.18 × 10⁻²) −	1.2211 × 10⁻¹ (3.42 × 10⁻²) −	5.6483 × 10⁻¹ (8.07 × 10⁻²) +	4.1915 × 10⁻¹ (1.31 × 10⁻¹) +	1.0424 × 10⁻¹ (4.08 × 10⁻²) −	2.1455 × 10⁻¹ (9.54 × 10⁻²)
	8	3.1494 × 10⁻¹ (7.82 × 10⁻²) −	4.3521 × 10⁻¹ (5.84 × 10⁻²) −	6.8774 × 10⁻¹ (3.61 × 10⁻²) +	6.2693 × 10⁻¹ (7.95 × 10⁻²) +	3.3577 × 10⁻¹ (6.00 × 10⁻²) −	5.4786 × 10⁻¹ (9.97 × 10⁻²)
	10	6.1117 × 10⁻¹ (5.26 × 10⁻²) −	7.4214 × 10⁻¹ (2.37 × 10⁻²) −	8.0539 × 10⁻¹ (3.71 × 10⁻²) =	8.3652 × 10⁻¹ (4.00 × 10⁻²) =	7.4450 × 10⁻¹ (2.53 × 10⁻²) −	8.2411 × 10⁻¹ (4.08 × 10⁻²)
DTLZ5	3	1.7464 × 10⁻² (8.81 × 10⁻³) −	2.3213 × 10⁻² (1.15 × 10⁻²) −	9.1632 × 10⁻² (2.53 × 10⁻²) −	1.2641 × 10⁻¹ (2.94 × 10⁻²) −	1.8468 × 10⁻² (2.17 × 10⁻²) −	1.5632 × 10⁻¹ (4.42 × 10⁻²)
	4	1.8002 × 10⁻² (8.78 × 10⁻³) −	1.8297 × 10⁻² (7.45 × 10⁻³) −	5.6265 × 10⁻² (2.37 × 10⁻²) −	1.1696 × 10⁻¹ (6.53 × 10⁻³) −	2.6234 × 10⁻² (2.37 × 10⁻²) −	1.3582 × 10⁻¹ (1.02 × 10⁻²)
	6	1.9682 × 10⁻² (1.21 × 10⁻²) −	2.6909 × 10⁻² (1.97 × 10⁻²) −	7.5674 × 10⁻² (1.88 × 10⁻²) −	1.0592 × 10⁻¹ (3.54 × 10⁻³) −	5.0133 × 10⁻² (2.49 × 10⁻²) −	1.1271 × 10⁻¹ (8.05 × 10⁻³)
	8	5.2712 × 10⁻² (2.30 × 10⁻²) −	6.5698 × 10⁻² (1.40 × 10⁻²) −	9.3848 × 10⁻² (4.29 × 10⁻³) −	1.0261 × 10⁻¹ (2.69 × 10⁻³) −	8.5375 × 10⁻² (6.49 × 10⁻³) −	1.0487 × 10⁻¹ (3.42 × 10⁻⁴)
	10	8.6211 × 10⁻² (1.15 × 10⁻²) −	9.7441 × 10⁻² (9.74 × 10⁻⁴) −	9.9494 × 10⁻² (5.70 × 10⁻⁴) −	9.7695 × 10⁻² (7.46 × 10⁻⁴) −	9.6720 × 10⁻² (7.96 × 10⁻⁴) −	1.0031 × 10⁻¹ (2.98 × 10⁻⁴)
DTLZ6	3	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰)
	4	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	4.7399 × 10⁻³ (2.03 × 10⁻²) +	0.0000 × 10⁰ (0.00 × 10⁰)
	6	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	0.0000 × 10⁰ (0.00 × 10⁰) =	3.2073 × 10⁻² (4.49 × 10⁻²) +	4.5458 × 10⁻³ (2.03 × 10⁻²)
	8	0.0000 × 10⁰ (0.00 × 10⁰) −	1.8646 × 10⁻⁴ (7.43 × 10⁻⁴) =	9.2532 × 10⁻⁴ (4.14 × 10⁻³) −	2.2110 × 10⁻² (3.93 × 10⁻²) =	6.0557 × 10⁻² (4.40 × 10⁻²) +	8.0524 × 10⁻³ (2.08 × 10⁻²)
	10	1.7423 × 10⁻² (3.52 × 10⁻²) −	8.0620 × 10⁻² (2.45 × 10⁻²) =	5.7994 × 10⁻² (3.98 × 10⁻²) −	9.4737 × 10⁻² (1.76 × 10⁻³) =	9.2210 × 10⁻² (1.35 × 10⁻³) −	9.2912 × 10⁻² (1.31 × 10⁻²)
DTLZ7	3	0.0000 × 10⁰ (0.00 × 10⁰) −	0.0000 × 10⁰ (0.00 × 10⁰) −	4.2044 × 10⁻² (4.24 × 10⁻²) −	2.4684 × 10⁻¹ (5.96 × 10⁻³) −	2.0656 × 10⁻¹ (1.66 × 10⁻²) −	2.7126 × 10⁻¹ (8.89 × 10⁻³)
	4	0.0000 × 10⁰ (0.00 × 10⁰) −	5.5343 × 10⁻⁷ (2.48 × 10⁻⁶) −	3.3341 × 10⁻² (3.99 × 10⁻²) −	2.3586 × 10⁻¹ (7.10 × 10⁻³) −	7.9986 × 10⁻² (5.40 × 10⁻²) −	2.5760 × 10⁻¹ (7.67 × 10⁻³)
	6	0.0000 × 10⁰ (0.00 × 10⁰) −	0.0000 × 10⁰ (0.00 × 10⁰) −	2.9404 × 10⁻² (3.52 × 10⁻²) −	1.9617 × 10⁻¹ (8.41 × 10⁻³) −	3.0127 × 10⁻² (3.37 × 10⁻²) −	2.1700 × 10⁻¹ (5.99 × 10⁻³)
	8	0.0000 × 10⁰ (0.00 × 10⁰) −	2.5202 × 10⁻⁴ (9.83 × 10⁻⁴) −	3.0467 × 10⁻² (3.86 × 10⁻²) −	1.8919 × 10⁻¹ (4.73 × 10⁻³) =	5.7129 × 10⁻³ (5.65 × 10⁻³) −	1.8593 × 10⁻¹ (8.01 × 10⁻³)
	10	3.3199 × 10⁻³ (5.02 × 10⁻³) −	7.5420 × 10⁻⁴ (8.53 × 10⁻⁴) −	3.5750 × 10⁻² (3.02 × 10⁻²) −	1.7539 × 10⁻¹ (4.01 × 10⁻³) =	1.3231 × 10⁻² (1.67 × 10⁻²) −	1.7687 × 10⁻¹ (4.85 × 10⁻³)
+/−/=		0/23/12	0/22/13	6/17/12	4/11/20	3/22/10

下载: 导出CSV

表 4 6种算法在不同维数的WFG测试问题上获得的IGD平均值和标准差

Table 4 The IGD average and standard deviation obtained by the six algorithms on WFG test problems of different dimensions

测试问题	目标数	NSGAIII	CPS-MOEA	CSEA	K-RVEA	MOEA/D-EGO	K-RSEA
WFG1	3	2.3044 × 10⁰ (7.04 × 10⁻²) −	2.2817 × 10⁰ (6.96 × 10⁻²) −	1.7246 × 10⁰ (7.58 × 10⁻²) +	1.7654 × 10⁰ (9.23 × 10⁻²) +	2.1936 × 10⁰ (6.64 × 10⁻²) −	1.8391 × 10⁰ (8.45 × 10⁻²)
	4	2.1642 × 10⁰ (1.32 × 10⁻¹) =	1.9453 × 10⁰ (1.71 × 10⁻²) +	1.9531 × 10⁰ (1.11 × 10⁻¹) +	2.0752 × 10⁰ (1.55 × 10⁻¹) =	2.0130 × 10⁰ (7.58 × 10⁻²) +	2.0919 × 10⁰ (1.31 × 10⁻¹)
	6	2.7873 × 10⁰ (5.89 × 10⁻²) −	2.8059 × 10⁰ (6.16 × 10⁻²) −	2.4902 × 10⁰ (5.09 × 10⁻²) =	2.4594 × 10⁰ (9.80 × 10⁻²) +	2.7526 × 10⁰ (5.35 × 10⁻²) −	2.5304 × 10⁰ (1.00 × 10⁻¹)
	8	3.1194 × 10⁰ (5.49 × 10⁻²) −	3.1420 × 10⁰ (4.58 × 10⁻²) −	2.8827 × 10⁰ (6.05 × 10⁻²) =	2.8566 × 10⁰ (8.07 × 10⁻²) =	3.0855 × 10⁰ (5.32 × 10⁻²) −	2.8335 × 10⁰ (2.54 × 10⁻¹)
	10	3.4110 × 10⁰ (4.80 × 10⁻²) −	3.4220 × 10⁰ (4.68 × 10⁻²) −	3.1817 × 10⁰ (8.33 × 10⁻²) =	3.1589 × 10⁰ (5.88 × 10⁻²) =	3.3937 × 10⁰ (3.38 × 10⁻²) −	3.1129 × 10⁰ (2.06 × 10⁻¹)
WFG2	3	8.8153 × 10⁻¹ (1.09 × 10⁻¹) −	7.8323 × 10⁻¹ (4.94 × 10⁻²) −	5.3426 × 10⁻¹ (4.34 × 10⁻²) −	3.9180 × 10⁻¹ (4.71 × 10⁻²) −	6.9725 × 10⁻¹ (4.98 × 10⁻²) −	3.4170 × 10⁻¹ (4.16 × 10⁻²)
	4	1.4386 × 10⁰ (2.16 × 10⁻¹) −	1.2247 × 10⁰ (1.92 × 10⁻¹) −	1.2237 × 10⁰ (3.42 × 10⁻¹) −	9.9551 × 10⁻¹ (1.34 × 10⁻¹) −	1.1293 × 10⁰ (1.61 × 10⁻¹) −	9.1510 × 10⁻¹ (1.09 × 10⁻¹)
	6	1.9640 × 10⁰ (4.29 × 10⁻¹) −	1.5348 × 10⁰ (1.38 × 10⁻¹) −	1.2796 × 10⁰ (4.14 × 10⁻¹) −	7.6122 × 10⁻¹ (5.92 × 10⁻²) −	1.3485 × 10⁰ (1.72 × 10⁻¹) −	7.1461 × 10⁻¹ (3.51 × 10⁻²)
	8	2.5026 × 10⁰ (5.75 × 10⁻¹) −	2.0548 × 10⁰ (2.06 × 10⁻¹) −	1.8266 × 10⁰ (7.53 × 10⁻¹) −	1.0294 × 10⁰ (4.52 × 10⁻²) =	1.7364 × 10⁰ (2.53 × 10⁻¹) −	1.0125 × 10⁰ (3.41 × 10⁻²)
	10	3.8506 × 10⁰ (7.40 × 10⁻¹) −	3.0779 × 10⁰ (4.97 × 10⁻¹) −	3.1377 × 10⁰ (9.98 × 10⁻¹) −	1.1813 × 10⁰ (5.78 × 10⁻²) +	2.1748 × 10⁰ (3.75 × 10⁻¹) −	1.2223 × 10⁰ (6.17 × 10⁻²)
WFG3	3	6.0295 × 10⁻¹ (4.49 × 10⁻²) −	6.0035 × 10⁻¹ (2.83 × 10⁻²) −	4.7826 × 10⁻¹ (7.08 × 10⁻²) −	3.8454 × 10⁻¹ (5.62 × 10⁻²) =	6.3111 × 10⁻¹ (3.08 × 10⁻²) −	4.2141 × 10⁻¹ (8.51 × 10⁻²)
	4	5.6516 × 10⁻¹ (5.35 × 10⁻²) −	5.5932 × 10⁻¹ (3.92 × 10⁻²) −	3.6608 × 10⁻¹ (6.42 × 10⁻²) −	2.2293 × 10⁻¹ (3.65 × 10⁻²) +	6.0164 × 10⁻¹ (4.47 × 10⁻²) −	2.5478 × 10⁻¹ (2.73 × 10⁻²)
	6	1.0518 × 10⁰ (1.02 × 10⁻¹) −	9.8651 × 10⁻¹ (8.00 × 10⁻²) −	7.0767 × 10⁻¹ (9.63 × 10⁻²) −	6.6060 × 10⁻¹ (8.61 × 10⁻²) −	9.7316 × 10⁻¹ (4.10 × 10⁻²) −	4.9911 × 10⁻¹ (9.35 × 10⁻²)
	8	9.2359 × 10⁻¹ (1.11 × 10⁻¹) −	7.8556 × 10⁻¹ (7.35 × 10⁻²) −	4.4627 × 10⁻¹ (1.18 × 10⁻¹) −	5.3840 × 10⁻¹ (7.52 × 10⁻²) −	8.2687 × 10⁻¹ (8.87 × 10⁻²) −	3.4794 × 10⁻¹ (5.25 × 10⁻²)
	10	1.0022 × 10⁰ (8.69 × 10⁻²) −	8.7818 × 10⁻¹ (1.11 × 10⁻¹) −	5.9822 × 10⁻¹ (1.14 × 10⁻¹) −	6.3955 × 10⁻¹ (8.21 × 10⁻²) −	9.2789 × 10⁻¹ (7.38 × 10⁻²) −	4.2756 × 10⁻¹ (6.74 × 10⁻²)
WFG4	3	6.3183 × 10⁻¹ (6.30 × 10⁻²) −	5.3726 × 10⁻¹ (2.65 × 10⁻²) −	4.4571 × 10⁻¹ (3.28 × 10⁻²) +	4.5254 × 10⁻¹ (1.90 × 10⁻²) +	5.8593 × 10⁻¹ (3.46 × 10⁻²) −	5.0332 × 10⁻¹ (2.65 × 10⁻²)
	4	1.7199 × 10⁰ (1.84 × 10⁻¹) −	1.2114 × 10⁰ (8.23 × 10⁻²) −	1.5483 × 10⁰ (2.75 × 10⁻¹) −	8.1670 × 10⁻¹ (8.21 × 10⁻²) =	9.8678 × 10⁻¹ (7.18 × 10⁻²) −	7.7364 × 10⁻¹ (7.65 × 10⁻²)
	6	3.6040 × 10⁰ (3.76 × 10⁻¹) −	2.5352 × 10⁰ (1.50 × 10⁻¹) −	2.9141 × 10⁰ (3.36 × 10⁻¹) −	1.7992 × 10⁰ (4.76 × 10⁻²) +	2.1228 × 10⁰ (1.22 × 10⁻¹) −	1.8370 × 10⁰ (5.25 × 10⁻²)
	8	5.9740 × 10⁰ (4.07 × 10⁻¹) −	4.3118 × 10⁰ (2.44 × 10⁻¹) −	5.8308 × 10⁰ (4.61 × 10⁻¹) −	3.2283 × 10⁰ (2.39 × 10⁻¹) =	3.4432 × 10⁰ (1.44 × 10⁻¹) −	3.3000 × 10⁰ (2.59 × 10⁻¹)
	10	9.1735 × 10⁰ (5.27 × 10⁻¹) −	7.2985 × 10⁰ (3.71 × 10⁻¹) −	8.6988 × 10⁰ (9.68 × 10⁻¹) −	5.9483 × 10⁰ (5.44 × 10⁻¹) −	5.0437 × 10⁰ (2.82 × 10⁻¹) +	5.4156 × 10⁰ (3.45 × 10⁻¹)
WFG5	3	6.9770 × 10⁻¹ (3.25 × 10⁻²) −	5.8013 × 10⁻¹ (1.71 × 10⁻²) −	5.2657 × 10⁻¹ (3.82 × 10⁻²) −	4.3283 × 10⁻¹ (6.77 × 10⁻²) −	5.8135 × 10⁻¹ (2.95 × 10⁻²) −	3.8674 × 10⁻¹ (6.33 × 10⁻²)
	4	1.3558 × 10⁰ (1.03 × 10⁻¹) −	1.3003 × 10⁰ (4.72 × 10⁻²) −	1.1067 × 10⁰ (1.51 × 10⁻¹) −	7.8509 × 10⁻¹ (6.09 × 10⁻²) −	9.8506 × 10⁻¹ (4.70 × 10⁻²) −	7.1114 × 10⁻¹ (4.18 × 10⁻²)
	6	2.7646 × 10⁰ (1.73 × 10⁻¹) −	2.5373 × 10⁰ (1.03 × 10⁻¹) −	2.4254 × 10⁰ (2.43 × 10⁻¹) −	1.7916 × 10⁰ (8.92 × 10⁻²) =	2.1839 × 10⁰ (1.45 × 10⁻¹) −	1.8386 × 10⁰ (8.92 × 10⁻²)
	8	4.7298 × 10⁰ (2.08 × 10⁻¹) −	4.5985 × 10⁰ (1.45 × 10⁻¹) −	4.7238 × 10⁰ (4.32 × 10⁻¹) −	3.0908 × 10⁰ (7.65 × 10⁻²) +	4.4346 × 10⁰ (2.48 × 10⁻¹) −	3.1917 × 10⁰ (1.30 × 10⁻¹)
	10	7.3037 × 10⁰ (2.91 × 10⁻¹) −	7.0171 × 10⁰ (3.14 × 10⁻¹) −	7.0938 × 10⁰ (3.27 × 10⁻¹) −	4.8049 × 10⁰ (3.18 × 10⁻¹) +	6.6075 × 10⁰ (4.97 × 10⁻¹) −	5.0163 × 10⁰ (2.42 × 10⁻¹)
WFG6	3	8.0656 × 10⁻¹ (3.30 × 10⁻²) −	7.8806 × 10⁻¹ (2.19 × 10⁻²) −	7.1317 × 10⁻¹ (3.92 × 10⁻²) =	7.1713 × 10⁻¹ (4.87 × 10⁻²) =	8.0570 × 10⁻¹ (4.64 × 10⁻²) −	7.2868 × 10⁻¹ (3.97 × 10⁻²)
	4	1.3827 × 10⁰ (8.35 × 10⁻²) −	1.2283 × 10⁰ (5.92 × 10⁻²) −	1.0173 × 10⁰ (8.09 × 10⁻²) =	1.0307 × 10⁰ (9.56 × 10⁻²) =	1.1020 × 10⁰ (4.08 × 10⁻²) −	1.0481 × 10⁰ (4.41 × 10⁻²)
	6	2.8461 × 10⁰ (2.15 × 10⁻¹) −	2.6368 × 10⁰ (1.36 × 10⁻¹) −	2.3941 × 10⁰ (1.92 × 10⁻¹) −	2.2878 × 10⁰ (1.10 × 10⁻¹) −	2.1672 × 10⁰ (5.45 × 10⁻²) −	2.1051 × 10⁰ (7.48 × 10⁻²)
	8	4.9875 × 10⁰ (3.24 × 10⁻¹) −	4.6116 × 10⁰ (2.17 × 10⁻¹) −	4.7585 × 10⁰ (5.04 × 10⁻¹) −	3.6354 × 10⁰ (8.70 × 10⁻²) −	3.7239 × 10⁰ (1.43 × 10⁻¹) −	3.4682 × 10⁰ (1.18 × 10⁻¹)
	10	7.4853 × 10⁰ (4.37 × 10⁻¹) −	6.9814 × 10⁰ (4.94 × 10⁻¹) −	7.2251 × 10⁰ (6.41 × 10⁻¹) −	5.1438 × 10⁰ (1.55 × 10⁻¹) =	5.3090 × 10⁰ (3.81 × 10⁻¹) =	5.0901 × 10⁰ (1.35 × 10⁻¹)
WFG7	3	6.6448 × 10⁻¹ (4.60 × 10⁻²) =	6.3768 × 10⁻¹ (3.13 × 10⁻²) =	5.8351 × 10⁻¹ (3.07 × 10⁻²) +	6.0448 × 10⁻¹ (2.89 × 10⁻²) +	6.6027 × 10⁻¹ (3.26 × 10⁻²) =	6.5385 × 10⁻¹ (4.34 × 10⁻²)
	4	1.5156 × 10⁰ (1.31 × 10⁻¹) −	1.4000 × 10⁰ (1.10 × 10⁻¹) −	1.3798 × 10⁰ (1.35 × 10⁻¹) −	8.9610 × 10⁻¹ (6.80 × 10⁻²) =	1.2373 × 10⁰ (1.22 × 10⁻¹) −	8.6343 × 10⁻¹ (6.67 × 10⁻²)
	6	3.0239 × 10⁰ (2.27 × 10⁻¹) −	2.6972 × 10⁰ (1.90 × 10⁻¹) −	2.5951 × 10⁰ (2.70 × 10⁻¹) −	1.9468 × 10⁰ (4.95 × 10⁻²) +	2.4804 × 10⁰ (1.69 × 10⁻¹) −	2.0185 × 10⁰ (5.45 × 10⁻²)
	8	5.2874 × 10⁰ (2.64 × 10⁻¹) −	4.9740 × 10⁰ (4.19 × 10⁻¹) −	5.4691 × 10⁰ (4.66 × 10⁻¹) −	3.4310 × 10⁰ (1.05 × 10⁻¹) =	5.1211 × 10⁰ (3.92 × 10⁻¹) −	3.4353 × 10⁰ (7.80 × 10⁻²)
	10	8.0948 × 10⁰ (4.84 × 10⁻¹) −	7.6933 × 10⁰ (4.38 × 10⁻¹) −	8.1050 × 10⁰ (5.92 × 10⁻¹) −	5.1689 × 10⁰ (1.77 × 10⁻¹) =	6.9773 × 10⁰ (6.25 × 10⁻¹) −	5.2380 × 10⁰ (3.09 × 10⁻¹)
WFG8	3	8.7226 × 10⁻¹ (3.67 × 10⁻²) −	8.4186 × 10⁻¹ (2.79 × 10⁻²) −	7.3788 × 10⁻¹ (5.34 × 10⁻²) −	7.2196 × 10⁻¹ (3.90 × 10⁻²) −	8.6180 × 10⁻¹ (2.30 × 10⁻²) −	6.7398 × 10⁻¹ (4.58 × 10⁻²)
	4	1.7785 × 10⁰ (1.02 × 10⁻¹) −	1.7130 × 10⁰ (8.86 × 10⁻²) −	1.7122 × 10⁰ (1.64 × 10⁻¹) −	1.3654 × 10⁰ (5.98 × 10⁻²) −	1.3509 × 10⁰ (3.48 × 10⁻²) −	1.2069 × 10⁰ (5.72 × 10⁻²)
	6	3.2270 × 10⁰ (2.38 × 10⁻¹) −	2.8330 × 10⁰ (1.62 × 10⁻¹) −	3.0250 × 10⁰ (2.19 × 10⁻¹) −	2.3476 × 10⁰ (9.36 × 10⁻²) −	2.4530 × 10⁰ (5.19 × 10⁻²) −	2.2095 × 10⁰ (4.49 × 10⁻²)
	8	5.2767 × 10⁰ (2.91 × 10⁻¹) −	5.1048 × 10⁰ (3.42 × 10⁻¹) −	5.4616 × 10⁰ (3.15 × 10⁻¹) −	3.5830 × 10⁰ (1.18 × 10⁻¹) =	4.2845 × 10⁰ (2.58 × 10⁻¹) −	3.5916 × 10⁰ (1.02 × 10⁻¹)
	10	7.8537 × 10⁰ (3.65 × 10⁻¹) −	7.3927 × 10⁰ (4.54 × 10⁻¹) −	7.9521 × 10⁰ (4.13 × 10⁻¹) −	5.0690 × 10⁰ (1.21 × 10⁻¹) +	5.6966 × 10⁰ (2.55 × 10⁻¹) −	5.1969 × 10⁰ (1.70 × 10⁻¹)
WFG9	3	8.1617 × 10⁻¹ (4.19 × 10⁻²) −	7.8612 × 10⁻¹ (4.07 × 10⁻²) −	6.2832 × 10⁻¹ (6.58 × 10⁻²) =	6.6725 × 10⁻¹ (4.52 × 10⁻²) =	7.8107 × 10⁻¹ (5.79 × 10⁻²) −	6.6782 × 10⁻¹ (5.50 × 10⁻²)
	4	1.3187 × 10⁰ (8.63 × 10⁻²) −	1.3147 × 10⁰ (7.88 × 10⁻²) −	1.1780 × 10⁰ (1.25 × 10⁻¹) −	1.1332 × 10⁰ (2.03 × 10⁻¹) =	1.3423 × 10⁰ (1.28 × 10⁻¹) −	1.0305 × 10⁰ (1.72 × 10⁻¹)
	6	3.0388 × 10⁰ (2.54 × 10⁻¹) −	3.0806 × 10⁰ (1.69 × 10⁻¹) −	2.9442 × 10⁰ (2.94 × 10⁻¹) −	2.1042 × 10⁰ (1.22 × 10⁻¹) +	2.7797 × 10⁰ (3.25 × 10⁻¹) −	2.4146 × 10⁰ (1.84 × 10⁻¹)
	8	5.1537 × 10⁰ (3.04 × 10⁻¹) −	5.1279 × 10⁰ (3.30 × 10⁻¹) −	5.2404 × 10⁰ (4.41 × 10⁻¹) −	3.9706 × 10⁰ (6.27 × 10⁻¹) =	4.8820 × 10⁰ (4.82 × 10⁻¹) −	4.0674 × 10⁰ (5.76 × 10⁻¹)
	10	7.6142 × 10⁰ (4.20 × 10⁻¹) −	7.6831 × 10⁰ (3.48 × 10⁻¹) −	7.5833 × 10⁰ (5.26 × 10⁻¹) −	6.2079 × 10⁰ (5.79 × 10⁻¹) =	7.2823 × 10⁰ (5.75 × 10⁻¹) −	6.0729 × 10⁰ (6.67 × 10⁻¹)
+/−/=		0/43/2	1/43/1	4/35/6	12/14/19	2/41/2

下载: 导出CSV

表 5 6种算法在不同维数的WFG测试问题上获得的HV平均值和标准差

Table 5 The HV average and standard deviation obtained by the six algorithms on WFG test problems of different dimensions

测试问题	目标数	NSGA-III	CPS-MOEA	CSEA	K-RVEA	MOEA/D-EGO	K-RSEA
WFG1	3	0.0000 × 10⁰ (0.00 × 10⁰) −	2.3754 × 10⁻³ (5.39 × 10⁻³) −	1.5551 × 10⁻¹ (4.56 × 10⁻²) =	1.6255 × 10⁻¹ (2.88 × 10⁻²) =	5.6758 × 10⁻³ (1.33 × 10⁻²) −	1.4541 × 10⁻¹ (3.90 × 10⁻²)
	4	1.9475 × 10⁻¹ (3.30 × 10⁻²) =	2.9110 × 10⁻¹ (6.17 × 10⁻³) +	2.7323 × 10⁻¹ (3.27 × 10⁻²) +	2.3182 × 10⁻¹ (4.43 × 10⁻²) =	2.7638 × 10⁻¹ (1.47 × 10⁻²) +	2.1878 × 10⁻¹ (6.03 × 10⁻²)
	6	3.0659 × 10⁻² (2.10 × 10⁻²) −	9.9187 × 10⁻² (1.20 × 10⁻²) −	2.0714 × 10⁻¹ (3.65 × 10⁻²) =	2.0241 × 10⁻¹ (5.23 × 10⁻²) =	1.2496 × 10⁻¹ (2.73 × 10⁻²) −	1.8319 × 10⁻¹ (6.40 × 10⁻²)
	8	1.0632 × 10⁻¹ (2.34 × 10⁻²) −	1.7126 × 10⁻¹ (9.62 × 10⁻³) =	2.0631 × 10⁻¹ (2.29 × 10⁻²) =	2.0651 × 10⁻¹ (3.16 × 10⁻²) =	1.8449 × 10⁻¹ (1.97 × 10⁻²) =	1.9834 × 10⁻¹ (1.06 × 10⁻¹)
	10	1.0646 × 10⁻¹ (2.91 × 10⁻²) −	1.9083 × 10⁻¹ (6.61 × 10⁻³) =	2.1349 × 10⁻¹ (2.85 × 10⁻²) =	2.1469 × 10⁻¹ (7.69 × 10⁻³) =	1.8981 × 10⁻¹ (1.13 × 10⁻²) =	1.8994 × 10⁻¹ (6.85 × 10⁻²)
WFG2	3	5.7155 × 10⁻¹ (3.23 × 10⁻²) −	6.0180 × 10⁻¹ (1.47 × 10⁻²) −	7.0816 × 10⁻¹ (2.55 × 10⁻²) −	7.6969 × 10⁻¹ (2.32 × 10⁻²) −	6.3021 × 10⁻¹ (2.06 × 10⁻²) −	7.9608 × 10⁻¹ (3.12 × 10⁻²)
	4	6.0584 × 10⁻¹ (3.12 × 10⁻²) −	6.5097 × 10⁻¹ (2.87 × 10⁻²) −	6.8373 × 10⁻¹ (5.07 × 10⁻²) −	7.5823 × 10⁻¹ (3.40 × 10⁻²) −	6.5436 × 10⁻¹ (3.73 × 10⁻²) −	7.8405 × 10⁻¹ (2.80 × 10⁻²)
	6	6.4455 × 10⁻¹ (3.97 × 10⁻²) −	6.8126 × 10⁻¹ (2.19 × 10⁻²) −	7.9691 × 10⁻¹ (6.05 × 10⁻²) −	8.6678 × 10⁻¹ (3.48 × 10⁻²) −	6.9228 × 10⁻¹ (2.95 × 10⁻²) −	9.3463 × 10⁻¹ (1.69 × 10⁻²)
	8	8.1555 × 10⁻¹ (6.07 × 10⁻²) −	8.6795 × 10⁻¹ (1.99 × 10⁻²) −	9.1947 × 10⁻¹ (4.73 × 10⁻²) −	9.6566 × 10⁻¹ (1.18 × 10⁻²) −	8.5448 × 10⁻¹ (3.00 × 10⁻²) −	9.9044 × 10⁻¹ (4.99 × 10⁻³)
	10	7.6764 × 10⁻¹ (4.56 × 10⁻²) −	8.3857 × 10⁻¹ (3.36 × 10⁻²) −	8.7953 × 10⁻¹ (5.73 × 10⁻²) −	9.6830 × 10⁻¹ (1.01 × 10⁻²) −	8.4508 × 10⁻¹ (4.68 × 10⁻²) −	9.9466 × 10⁻¹ (2.01 × 10⁻³)
WFG3	3	1.5521 × 10⁻¹ (1.05 × 10⁻²) −	1.6033 × 10⁻¹ (9.18 × 10⁻³) −	1.9966 × 10⁻¹ (2.70 × 10⁻²) =	2.4291 × 10⁻¹ (2.18 × 10⁻²) +	1.4825 × 10⁻¹ (9.09 × 10⁻³) −	2.0974 × 10⁻¹ (3.45 × 10⁻²)
	4	8.3428 × 10⁻² (2.38 × 10⁻²) −	8.8702 × 10⁻² (2.16 × 10⁻²) −	1.6360 × 10⁻¹ (3.01 × 10⁻²) −	2.2785 × 10⁻¹ (2.52 × 10⁻²) +	8.1881 × 10⁻² (1.96 × 10⁻²) −	2.0271 × 10⁻¹ (2.29 × 10⁻²)
	6	0.0000 × 10⁰ (0.00 × 10⁰) −	0.0000 × 10⁰ (0.00 × 10⁰) −	6.2531 × 10⁻³ (1.43 × 10⁻²) −	7.5288 × 10⁻³ (1.24 × 10⁻²) −	1.2130 × 10⁻³ (5.42 × 10⁻³) −	2.7253 × 10⁻² (2.58 × 10⁻²)
	8	4.5931 × 10⁻³ (2.01 × 10⁻²) −	2.6674 × 10⁻⁴ (9.23 × 10⁻⁴) −	3.3423 × 10⁻² (4.46 × 10⁻²) =	1.4620 × 10⁻² (2.21 × 10⁻²) −	9.6695 × 10⁻³ (2.28 × 10⁻²) −	4.9333 × 10⁻² (3.21 × 10⁻²)
	10	0.0000 × 10⁰ (0.00 × 10⁰) −	8.4506 × 10⁻⁵ (3.78 × 10⁻⁴) =	2.1320 × 10⁻³ (8.52 × 10⁻³) =	2.5236 × 10⁻³ (1.13 × 10⁻²) =	0.0000 × 10⁰ (0.00 × 10⁰) −	5.1517 × 10⁻³ (1.19 × 10⁻²)
WFG4	3	3.1526 × 10⁻¹ (1.26 × 10⁻²) −	3.3905 × 10⁻¹ (1.08 × 10⁻²) =	3.8760 × 10⁻¹ (2.00 × 10⁻²) +	3.6710 × 10⁻¹ (1.16 × 10⁻²) +	3.3783 × 10⁻¹ (1.33 × 10⁻²) −	3.4727 × 10⁻¹ (1.35 × 10⁻²)
	4	3.1231 × 10⁻¹ (1.20 × 10⁻²) −	3.8630 × 10⁻¹ (1.57 × 10⁻²) −	3.6772 × 10⁻¹ (3.32 × 10⁻²) −	4.7669 × 10⁻¹ (2.16 × 10⁻²) −	4.3451 × 10⁻¹ (2.48 × 10⁻²) −	4.8908 × 10⁻¹ (1.89 × 10⁻²)
	6	3.6756 × 10⁻¹ (2.66 × 10⁻²) −	4.6632 × 10⁻¹ (1.82 × 10⁻²) −	4.6846 × 10⁻¹ (2.89 × 10⁻²) −	5.8503 × 10⁻¹ (3.32 × 10⁻²) −	5.1160 × 10⁻¹ (2.69 × 10⁻²) −	6.3545 × 10⁻¹ (2.31 × 10⁻²)
	8	4.2581 × 10⁻¹ (1.93 × 10⁻²) −	5.5373 × 10⁻¹ (2.95 × 10⁻²) −	5.0393 × 10⁻¹ (4.44 × 10⁻²) −	7.0749 × 10⁻¹ (3.11 × 10⁻²) −	6.5901 × 10⁻¹ (2.55 × 10⁻²) −	7.7127 × 10⁻¹ (3.11 × 10⁻²)
	10	4.1946 × 10⁻¹ (2.30 × 10⁻²) −	5.4379 × 10⁻¹ (2.16 × 10⁻²) −	4.9750 × 10⁻¹ (5.18 × 10⁻²) −	6.5396 × 10⁻¹ (3.22 × 10⁻²) −	6.5974 × 10⁻¹ (3.52 × 10⁻²) −	7.6087 × 10⁻¹ (2.71 × 10⁻²)
WFG5	3	2.4395 × 10⁻¹ (1.12 × 10⁻²) −	2.9918 × 10⁻¹ (7.98 × 10⁻³) −	3.4805 × 10⁻¹ (2.40 × 10⁻²) −	3.9021 × 10⁻¹ (3.64 × 10⁻²) −	3.6004 × 10⁻¹ (1.89 × 10⁻²) −	4.2110 × 10⁻¹ (3.46 × 10⁻²)
	4	2.7954 × 10⁻¹ (1.14 × 10⁻²) −	3.3688 × 10⁻¹ (1.26 × 10⁻²) −	3.9549 × 10⁻¹ (3.14 × 10⁻²) −	4.7832 × 10⁻¹ (2.30 × 10⁻²) −	4.0185 × 10⁻¹ (1.44 × 10⁻²) −	5.0051 × 10⁻¹ (2.40 × 10⁻²)
	6	3.2385 × 10⁻¹ (1.38 × 10⁻²) −	4.0172 × 10⁻¹ (1.59 × 10⁻²) −	4.9501 × 10⁻¹ (3.25 × 10⁻²) −	5.6239 × 10⁻¹ (4.28 × 10⁻²) −	5.0007 × 10⁻¹ (1.55 × 10⁻²) −	5.9915 × 10⁻¹ (3.21 × 10⁻²)
	8	3.6783 × 10⁻¹ (2.95 × 10⁻²) −	4.6548 × 10⁻¹ (1.24 × 10⁻²) −	5.4239 × 10⁻¹ (3.56 × 10⁻²) −	6.6693 × 10⁻¹ (4.28 × 10⁻²) −	5.3718 × 10⁻¹ (2.14 × 10⁻²) −	7.2794 × 10⁻¹ (2.07 × 10⁻²)
	10	3.7342 × 10⁻¹ (2.07 × 10⁻²) −	4.6464 × 10⁻¹ (1.42 × 10⁻²) −	5.2257 × 10⁻¹ (2.90 × 10⁻²) −	6.2569 × 10⁻¹ (4.07 × 10⁻²) −	5.5522 × 10⁻¹ (3.41 × 10⁻²) −	7.1028 × 10⁻¹ (3.10 × 10⁻²)
WFG6	3	2.0832 × 10⁻¹ (1.01 × 10⁻²) −	2.0973 × 10⁻¹ (7.97 × 10⁻³) −	2.5872 × 10⁻¹ (1.90 × 10⁻²) +	2.5438 × 10⁻¹ (1.91 × 10⁻²) +	2.5210 × 10⁻¹ (1.88 × 10⁻²) +	2.2621 × 10⁻¹ (1.93 × 10⁻²)
	4	2.6812 × 10⁻¹ (1.80 × 10⁻²) −	2.9358 × 10⁻¹ (1.92 × 10⁻²) −	3.5227 × 10⁻¹ (2.85 × 10⁻²) +	3.7527 × 10⁻¹ (4.14 × 10⁻²) +	2.9643 × 10⁻¹ (1.56 × 10⁻²) −	3.3339 × 10⁻¹ (3.07 × 10⁻²)
	6	3.0489 × 10⁻¹ (1.75 × 10⁻²) −	3.4169 × 10⁻¹ (1.88 × 10⁻²) −	4.0660 × 10⁻¹ (3.70 × 10⁻²) =	3.9532 × 10⁻¹ (4.83 × 10⁻²) =	4.1998 × 10⁻¹ (1.48 × 10⁻²) =	4.0315 × 10⁻¹ (3.75 × 10⁻²)
	8	3.9079 × 10⁻¹ (4.10 × 10⁻²) −	4.6339 × 10⁻¹ (2.22 × 10⁻²) −	5.1016 × 10⁻¹ (4.92 × 10⁻²) −	6.6623 × 10⁻¹ (2.77 × 10⁻²) −	5.1183 × 10⁻¹ (2.19 × 10⁻²) −	7.3524 × 10⁻¹ (4.15 × 10⁻²)
	10	3.9579 × 10⁻¹ (2.55 × 10⁻²) −	4.7448 × 10⁻¹ (2.34 × 10⁻²) −	4.9997 × 10⁻¹ (4.80 × 10⁻²) −	6.7299 × 10⁻¹ (3.78 × 10⁻²) −	5.3339 × 10⁻¹ (2.18 × 10⁻²) −	7.9146 × 10⁻¹ (4.70 × 10⁻²)
WFG7	3	2.7294 × 10⁻¹ (1.31 × 10⁻²) =	2.7768 × 10⁻¹ (1.21 × 10⁻²) =	3.2790 × 10⁻¹ (2.16 × 10⁻²) +	2.9637 × 10⁻¹ (1.66 × 10⁻²) +	2.8180 × 10⁻¹ (1.13 × 10⁻²) =	2.7832 × 10⁻¹ (1.80 × 10⁻²)
	4	3.0770 × 10⁻¹ (1.53 × 10⁻²) −	3.3113 × 10⁻¹ (1.54 × 10⁻²) −	3.6574 × 10⁻¹ (2.60 × 10⁻²) −	4.5508 × 10⁻¹ (2.66 × 10⁻²) =	3.5393 × 10⁻¹ (1.72 × 10⁻²) −	4.6052 × 10⁻¹ (2.59 × 10⁻²)
	6	3.5607 × 10⁻¹ (1.68 × 10⁻²) −	4.0546 × 10⁻¹ (1.42 × 10⁻²) −	4.6728 × 10⁻¹ (2.93 × 10⁻²) −	5.1981 × 10⁻¹ (3.50 × 10⁻²) −	4.1921 × 10⁻¹ (1.60 × 10⁻²) −	5.5770 × 10⁻¹ (4.09 × 10⁻²)
	8	4.1954 × 10⁻¹ (3.00 × 10⁻²) −	4.7747 × 10⁻¹ (2.38 × 10⁻²) −	5.3422 × 10⁻¹ (4.07 × 10⁻²) −	6.6874 × 10⁻¹ (3.33 × 10⁻²) −	4.9354 × 10⁻¹ (2.52 × 10⁻²) −	7.9566 × 10⁻¹ (1.82 × 10⁻²)
	10	4.3978 × 10⁻¹ (2.68 × 10⁻²) −	4.9236 × 10⁻¹ (1.55 × 10⁻²) −	5.3589 × 10⁻¹ (3.53 × 10⁻²) −	6.4650 × 10⁻¹ (4.91 × 10⁻²) −	5.2947 × 10⁻¹ (3.36 × 10⁻²) −	8.2131 × 10⁻¹ (3.53 × 10⁻²)
WFG8	3	2.0563 × 10⁻¹ (9.02 × 10⁻³) −	2.1117 × 10⁻¹ (9.38 × 10⁻³) −	2.5649 × 10⁻¹ (1.96 × 10⁻²) =	2.7987 × 10⁻¹ (1.16 × 10⁻²) +	2.0196 × 10⁻¹ (9.26 × 10⁻³) −	2.5619 × 10⁻¹ (2.12 × 10⁻²)
	4	2.2504 × 10⁻¹ (1.58 × 10⁻²) −	2.4391 × 10⁻¹ (1.41 × 10⁻²) −	2.7342 × 10⁻¹ (2.59 × 10⁻²) =	3.0350 × 10⁻¹ (2.26 × 10⁻²) =	2.6327 × 10⁻¹ (1.60 × 10⁻²) −	2.9119 × 10⁻¹ (2.71 × 10⁻²)
	6	2.9374 × 10⁻¹ (2.14 × 10⁻²) −	3.1166 × 10⁻¹ (1.44 × 10⁻²) −	3.5815 × 10⁻¹ (3.05 × 10⁻²) −	3.4101 × 10⁻¹ (1.70 × 10⁻²) −	3.4154 × 10⁻¹ (1.45 × 10⁻²) −	3.8034 × 10⁻¹ (1.95 × 10⁻²)
	8	3.3827 × 10⁻¹ (2.25 × 10⁻²) −	3.9489 × 10⁻¹ (2.24 × 10⁻²) −	4.3731 × 10⁻¹ (2.62 × 10⁻²) −	4.9176 × 10⁻¹ (3.96 × 10⁻²) −	4.3251 × 10⁻¹ (3.33 × 10⁻²) −	5.4014 × 10⁻¹ (4.21 × 10⁻²)
	10	3.7424 × 10⁻¹ (1.66 × 10⁻²) −	4.1948 × 10⁻¹ (1.39 × 10⁻²) −	4.3470 × 10⁻¹ (2.64 × 10⁻²) −	5.0197 × 10⁻¹ (4.74 × 10⁻²) −	4.7105 × 10⁻¹ (2.48 × 10⁻²) −	6.1406 × 10⁻¹ (5.41 × 10⁻²)
WFG9	3	2.1195 × 10⁻¹ (1.55 × 10⁻²) −	2.2346 × 10⁻¹ (2.06 × 10⁻²) −	2.8163 × 10⁻¹ (3.02 × 10⁻²) =	2.6005 × 10⁻¹ (1.97 × 10⁻²) =	2.2416 × 10⁻¹ (2.21 × 10⁻²) −	2.6152 × 10⁻¹ (3.23 × 10⁻²)
	4	3.1377 × 10⁻¹ (2.84 × 10⁻²) −	3.3327 × 10⁻¹ (1.77 × 10⁻²) −	3.5582 × 10⁻¹ (4.06 × 10⁻²) −	3.8240 × 10⁻¹ (6.37 × 10⁻²) =	3.0577 × 10⁻¹ (1.98 × 10⁻²) −	4.1389 × 10⁻¹ (6.77 × 10⁻²)
	6	3.1971 × 10⁻¹ (2.97 × 10⁻²) −	3.3719 × 10⁻¹ (1.64 × 10⁻²) −	3.8869 × 10⁻¹ (4.85 × 10⁻²) −	4.8276 × 10⁻¹ (5.15 × 10⁻²) =	3.4419 × 10⁻¹ (2.18 × 10⁻²) −	4.7707 × 10⁻¹ (6.45 × 10⁻²)
	8	4.5419 × 10⁻¹ (3.01 × 10⁻²) −	4.7014 × 10⁻¹ (2.00 × 10⁻²) −	5.4358 × 10⁻¹ (3.44 × 10⁻²) −	6.3781 × 10⁻¹ (6.24 × 10⁻²) =	4.9095 × 10⁻¹ (3.53 × 10⁻²) −	6.5968 × 10⁻¹ (6.23 × 10⁻²)
	10	4.8221 × 10⁻¹ (2.31 × 10⁻²) −	4.7502 × 10⁻¹ (1.84 × 10⁻²) −	5.6346 × 10⁻¹ (4.24 × 10⁻²) −	6.1737 × 10⁻¹ (3.46 × 10⁻²) −	5.0326 × 10⁻¹ (3.14 × 10⁻²) −	6.7554 × 10⁻¹ (4.40 × 10⁻²)
+/−/=		0/43/2	1/39/5	5/29/11	7/25/13	2/39/4

下载: 导出CSV

表 6 汽车碰撞优化设计问题上获得的IGD和HV的平均值

Table 6 The average values of IGD and HV obtained on the car crash optimization design problem

算法名称	IGD	HV
NSGA-III	2.4975	0.0308
CPS-MOEA	2.3665	0.0340
CSEA	1.3144	0.0368
K-RVEA	0.7142	0.0374
MOEA/D-EGO	0.6793	0.0384
K-RSEA	0.4920	0.0389

下载: 导出CSV

参考文献(27)

[1]	Coello Coello C A, González Brambila S, Figueroa Gamboa J, Castillo Tapia M G, Hernández Gómez R. Evolutionary multiobjective optimization: open research areas and some challenges lying ahead. Complex & Intelligent Systems, 2020, 6(2): 221~236
[2]	Koziel S, Leifsson L. Multi-level CFD-based airfoil shape optimization with automated low-fidelity model selection. Procedia Computer Science, 2013, 18(1): 889~898
[3]	Lim D, Jin Y, Ong Y, Sendhoff B. Generalizing surrogate-assisted evolutionary computation. IEEE Transactions on Evolutionary Computation, 2010, 14(3): 329~355 doi: 10.1109/TEVC.2009.2027359
[4]	Jin Y. Surrogate-assisted evolutionary computation: Recent advances and future challenges. Swarm and Evolutionary Computation, 2011, 1(2): 61~70 doi: 10.1016/j.swevo.2011.05.001
[5]	Chugh T, Sindhya K, Hakanen J, Miettinen K. A survey on handling computationally expensive multiobjective optimization problems with evolutionary algorithms. Soft Computing, 2019, 23(9): 3137~3166 doi: 10.1007/s00500-017-2965-0
[6]	刘晓路, 陈盈果, 贺仁杰, 陈英武. Kriging代理模型在对地观测卫星系统优化中的应用. 自动化学报, 2012, 38(01): 120~127 doi: 10.3724/SP.J.1004.2012.00120 Liu Xiao-Lu, Chen Ying-Guo, He Ren-Jie, Chen Ying-Wu. Application of kriging proxy model in the optimization of earth observation satellite system. Acta Automatica Sinica, 2012, 38(01): 120~127(in Chinese) doi: 10.3724/SP.J.1004.2012.00120
[7]	Knowles J. ParEGO: A hybrid algorithm with on-line landscape approximation for expensive multiobjective optimization problems. IEEE Transactions on Evolutionary Computation, 2006, 10(1): 50~66 doi: 10.1109/TEVC.2005.851274
[8]	Hochstrate N, Naujoks B, Emmerich M. SMS-EMOA: Multiobjective selection based on dominated hypervolume. European Journal of Operational Research, 2007, 181(3): 1653~1669 doi: 10.1016/j.ejor.2006.08.008
[9]	Zhang Qing-Fu, Liu Wu-Dong, Tsang E, Virginas B. Expensive multiobjective optimization by MOEA/D With gaussian process model. IEEE Transactions on Evolutionary Computation, 2010, 14(3): 456~474 doi: 10.1109/TEVC.2009.2033671
[10]	Chugh T, Jin Y, Miettinen K, Hakanen J, Sindhya K. A surrogate-assisted reference vector guided evolutionary algorithm for computationally expensive many-objective optimization. IEEE Transactions on Evolutionary Computation, 2018, 22(1): 129~142 doi: 10.1109/TEVC.2016.2622301
[11]	Zhang J Y, Zhou A M, Zhang G X. A classification and pareto domination based multiobjective evolutionary algorithm. In: Proceedings of the 2015 IEEE Congress on Evolutionary Computation (CEC). Sendai, Japan: IEEE, 2015. 2883−2890
[12]	Pan Lin-Qiang, He Cheng, Tian Ye, Wang Han-Ding, Zhang Xing-Yi, Jin Y. A classification-based surrogate-assisted evolutionary algorithm for expensive many-objective optimization. IEEE Transactions on Evolutionary Computation, 2019, 23(1): 74~88 doi: 10.1109/TEVC.2018.2802784
[13]	Shahriari B, Swersky K, Wang Z, Adams R P, De Freitas N. Taking the human out of the loop: A review of bayesian optimization. Proceedings of the IEEE, 2015, 104(1): 148~175
[14]	Rasmussen C E. Gaussian processes in machine learning. In: Proceedings of the 2003 Summer School on Machine Learning. Berlin, Germany: 2003. 63−71
[15]	Hoffman P, Grinstein G, Marx K, Grosse I, Stanley E. DNA visual and analytic data mining. In: Proceedings of the Visualization＇ 97. Phoenix, USA: 1997. 437−441
[16]	Walker D J, Everson R, Fieldsend J E. Visualizing mutually nondominating solution sets in many-objective optimization. IEEE Transactions on Evolutionary Computation, 2013, 17(2): 165~184 doi: 10.1109/TEVC.2012.2225064
[17]	Ibrahim A, Rahnamayan S, Martin M V, Deb K. 3D-RadVis: Visualization of pareto front in many-objective optimization. In: Proceedings of the 2016 IEEE Congress on Evolutionary Computation (CEC). Vancouver, Canada: 2016. 736−745
[18]	He Cheng, Tian Ye, Jin Y, Zhang Xing-Yi, Pan Lin-Qiang. A radial space division based evolutionary algorithm for many-objective optimization. Applied Soft Computing, 2017, 61: 603~621 doi: 10.1016/j.asoc.2017.08.024
[19]	McKay M D, Beckman R J, Conover W J. A comparison of three methods for selecting values of input variables in the analysis of output from a computer code. Technometrics, 2000, 42(1): 55~61 doi: 10.1080/00401706.2000.10485979
[20]	Deb K, Jain H. An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach, part I: solving problems with box constraints. IEEE Transactions on Evolutionary Computation, 2014, 18(4): 577~601 doi: 10.1109/TEVC.2013.2281535
[21]	Tian Ye, Cheng Ran, Zhang Xing-Yi, Jin Y. PlatEMO: A MATLAB platform for evolutionary multi-objective optimization [Educational Forum]. IEEE Computational Intelligence Magazine, 2017, 12(4): 73~87 doi: 10.1109/MCI.2017.2742868
[22]	Deb K, Thiele L, Laumanns M, Zitzler E. Evolutionary Multiobjective Optimization: Theoretical Advances and Applications. London: Springer, 2005. 105−145
[23]	Huband S, Hingston P, Barone L, While L. A review of multiobjective test problems and a scalable test problem toolkit. IEEE Transactions on Evolutionary Computation, 2006, 10(5): 477~506 doi: 10.1109/TEVC.2005.861417
[24]	Zhou A M, Jin Y, Zhang Q F, Sendhoff B, Tsang E. Combining model-based and genetics-based offspring generation for multi-objective optimization using a convergence criterion. In: Proceedings of the 2006 IEEE International Conference on Evolutionary Computation. Vancouver, Canada: 2006. 892−899
[25]	While L, Hingston P, Barone L, Huband S. A faster algorithm for calculating hypervolume. IEEE Transactions on Evolutionary Computation, 2006, 10(1): 29~38 doi: 10.1109/TEVC.2005.851275
[26]	Ishibuchi H, Imada R, Masuyama N, Nojima Y. Comparison of hypervolume, IGD and IGD+ from the viewpoint of optimal distributions of solutions. In: Proceedings of the 2019 Evolutionary Multi-Criterion Optimization. East Lansing, USA: 2019. 332− 345
[27]	Liao Xing-Tao, Li Qing, Yang Xu-Jing, Zhang Wei-Gang, Li Wei. Multiobjective optimization for crash safety design of vehicles using stepwise regression model. Structural and Multidisciplinary Optimization, 2008, 35(6): 561~569 doi: 10.1007/s00158-007-0163-x

施引文献

期刊类型引用(3)

1.	顾清华，骆家乐，李学现. 基于小生境的多目标进化算法. 计算机工程与应用. 2023(01): 126-139 . 百度学术
2.	黎建宇，詹志辉. 基于多目标数据生成的昂贵多目标进化算法. 计算机学报. 2023(05): 896-908 . 百度学术
3.	顾清华，张晓玥，陈露. 基于改进集成学习分类的代理辅助进化算法. 控制与决策. 2022(10): 2456-2466 . 百度学术

其他类型引用(1)

资源附件(0)

访问统计

图(13) / 表(6)

计量

文章访问数: 1833
HTML全文浏览量: 661
PDF下载量: 254
被引次数: 4

1. 灰狼优化算法
2. 郊狼优化算法
2.1 参数初始化和随机初始化郊狼群组
2.2 组内郊狼成长
2.3 郊狼生与死
2.4 郊狼被驱离和接纳
3. 灰狼与郊狼混合优化算法
3.1 提出HCOAG的动机
3.2 改进的郊狼优化算法
3.3 简化的灰狼优化算法
3.4 正弦交叉混合策略
4. 函数优化实验结果与分析
4.1 实验环境配置及参数设置
4.2 与不完全算法的对比分析
4.3 在经典函数上的优化性能对比
4.4 在CEC2017复杂函数上的优化性能对比
4.5 收敛性能分析
4.6 时间对比分析
4.7 上下界分析
4.8 渐进收敛性分析
4.9 Wilcoxon符号秩检验和Friedman检验
5. HCOAG在K-Means聚类优化上的应用
6. 结束语

1. 灰狼优化算法
2. 郊狼优化算法
2.1 参数初始化和随机初始化郊狼群组
2.2 组内郊狼成长
2.3 郊狼生与死
2.4 郊狼被驱离和接纳
3. 灰狼与郊狼混合优化算法
3.1 提出HCOAG的动机
3.2 改进的郊狼优化算法
3.3 简化的灰狼优化算法
3.4 正弦交叉混合策略
4. 函数优化实验结果与分析
4.1 实验环境配置及参数设置
4.2 与不完全算法的对比分析
4.3 在经典函数上的优化性能对比
4.4 在CEC2017复杂函数上的优化性能对比
4.5 收敛性能分析
4.6 时间对比分析
4.7 上下界分析
4.8 渐进收敛性分析
4.9 Wilcoxon符号秩检验和Friedman检验
5. HCOAG在K-Means聚类优化上的应用
6. 结束语

参考文献(27)

施引文献

资源附件(0)

访问统计

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

基于径向空间划分的昂贵多目标进化算法

doi: 10.16383/j.aas.c200791

计量

出版历程

Expensive Many-objective Evolutionary Algorithm Based on Radial Space Division

1. 灰狼优化算法

2. 郊狼优化算法

2.1 参数初始化和随机初始化郊狼群组

2.2 组内郊狼成长

2.3 郊狼生与死

2.4 郊狼被驱离和接纳

3. 灰狼与郊狼混合优化算法

3.1 提出HCOAG的动机

3.2 改进的郊狼优化算法

3.2.1 高斯全局趋优成长算子

3.2.2 动态调整组内郊狼数方案

3.3 简化的灰狼优化算法

3.4 正弦交叉混合策略

4. 函数优化实验结果与分析

4.1 实验环境配置及参数设置

4.2 与不完全算法的对比分析

4.3 在经典函数上的优化性能对比

4.4 在CEC2017复杂函数上的优化性能对比

4.5 收敛性能分析

4.6 时间对比分析

4.7 上下界分析

4.8 渐进收敛性分析

4.9 Wilcoxon符号秩检验和Friedman检验

5. HCOAG在K-Means聚类优化上的应用

6. 结束语

期刊类型引用(3)

其他类型引用(1)

计量

出版历程

目录

1. 灰狼优化算法

2. 郊狼优化算法

2.1 参数初始化和随机初始化郊狼群组

2.2 组内郊狼成长

2.3 郊狼生与死

2.4 郊狼被驱离和接纳

3. 灰狼与郊狼混合优化算法

3.1 提出HCOAG的动机

3.2 改进的郊狼优化算法

3.3 简化的灰狼优化算法

3.4 正弦交叉混合策略

4. 函数优化实验结果与分析

4.1 实验环境配置及参数设置

4.2 与不完全算法的对比分析

4.3 在经典函数上的优化性能对比

4.4 在CEC2017复杂函数上的优化性能对比

4.5 收敛性能分析

4.6 时间对比分析

4.7 上下界分析

4.8 渐进收敛性分析

4.9 Wilcoxon符号秩检验和Friedman检验

5. HCOAG在K-Means聚类优化上的应用

6. 结束语