23、多目标优化与混沌神经元噪声效应研究

多目标优化与混沌神经元噪声效应研究

在多目标优化和混沌神经元研究领域，新的算法和现象不断被发现和探索。下面将分别介绍一种新的多目标优化算法DEMOUD$_{DV}$以及噪声对混沌神经元模型的影响。

多目标优化算法DEMOUD$_{DV}$

在多目标优化问题（MOPs）的求解中，为了提高算法的性能，研究人员提出了一种新的差分进化算法DEMOUD$_{DV}$。

1. 距离/体积适应度设计

Reduce Hypervolume能够维持超体积并使解靠近Pareto前沿，基于此，设计了一种新的解s的适应度分配方式，即距离/体积适应度（Distance/Volume fitness）：
[
\begin{cases}
DV (s) = CD(s) + scale * hv(s) \
scale = \frac{\sum_{i = 1}^{n - 1} CD(s_i)}{\sum_{i = 1}^{n - 1} hv(s_i)}
\end{cases}
]
其中，scale因子用于平衡拥挤距离和子超体积的影响，当scale > 1000时，将scale设为1。

2. DEMOUD$_{DV}$算法流程

为了增强MOPs的差分进化，从种群初始化和接受规则两个方面进行改进。该算法的主要步骤如下：
1. 用均匀设计构造31个均匀解（Q = 31）组成初始种群。
2. 向初始种群中添加69个随机解。
3. 将种群加入存档。
4. 当评估次数eval < 最大评估次数Max eval时，执行以下操作：
-