常新功　刘文娟　吕亚丽

(山西财经大学信息管理学院　山西 太原 030031)



基于分解的多目标量子差分进化算法

常新功刘文娟吕亚丽

(山西财经大学信息管理学院山西 太原 030031)

基于分解的多目标进化算法MOEA/D(Multi-objective Evolutionary Algorithm Based on Decomposition)具有收敛速度快、分布性好等特点，但其在非凸函数上的性能有待提高。鉴于量子进化算法在多峰值函数上的优良性能，将MOEA/D与量子进化算法相结合，提出基于分解的多目标量子差分进化算法QD-MOEA/D(Quantum Differential Multi-objective Evolutionary Algorithm Based on Decomposition)。QD-MOEA/D的量子染色体采用实数编码，节省存储空间，加快运算速度。为了加快算法收敛速度并提高算法探测能力，量子染色体采取差分进化，其变异方式为量子非门。在多个标准测试函数的实验结果表明，该算法改进了MOEA/D在非凸函数上的收敛性和分布性。

MOEA/D量子计算差分进化实数编码

0　引　言

在科学研究和实际应用中存在多个目标同时优化的问题，这些问题称之为多目标优化问题MOPs(Multi-objective Optimization Problems)。在MOPs中，多个目标之间往往存在着冲突，如何在多个目标之间进行权衡得到最优解，是求解MOPs的核心和关键。大量探索研究表明，进化算法是求解MOPs的有效方法。通过进化计算可以得到一组或多组最优解[1,2]。

Zhang等人[3]于2007年提出基于分解的多目标进化算法MOEA/D。该算法将MOPs中的多个目标以不同的权重分解为若干个单目标优化子问题，然后进化由这些子问题的解组成的种群，逼近真实的Pareto前沿PF(Pareto Front)。MOEA/D算法因其简单、高效而备受关注[4,5]。

为改进算法性能，在原版MOEA/D的基础上引入DE算子，提高了算法的收敛速度，有效地解决了复杂PF问题[4]；……