8、智能优化算法：从信息反馈到学习进化

智能优化算法：从信息反馈到学习进化

1. 多目标优化算法测试分析

在多目标优化问题（MaOPs）的测试中，不同算法在不同测试问题上有着各异的表现。
- 1by1EA - F1 ：在之前的试验中，它能成功解决一些重要的MaOPs，尽管LSMOP3具有复杂的多模态适应度景观，但仍可说明该算法有一定的解决能力。
- MaOEA - IGD ：在凸帕累托前沿（PF）的测试函数中，其表现优于线性PF问题的测试结果。这是因为它采用基于参考点的分配方式，而凸景观的参考点分布更好，所以在LSMOP5 - 8的某些维度上具有竞争力，但在LSMOP1 - 4上不如其他算法。
- NSGA - II - SDR ：在收敛性方面特别有竞争力，它采用基于帕累托优势的小栖息地策略。不过，生态位大小无法改变影响了其在某些特定LSMOP上的表现。
- DEA - GNG ：除了LSMOP2外，在其他LSMOP上表现不佳。LSMOP2是部分可分离问题且PF呈现混合特征，通过适应基于GNG的参考向量提高了种群多样性，但节点曲率信息的影响可能使其在大规模挑战中表现欠佳。
- DGEA ：除LSMOP3外，在所有LSMOP上表现较差。它使用预选择方法，对多个测试用例应用相同选择技术时难以持续提高性能。虽然能成功维持种群多样性，但在大规模空间中的收敛性仍不足。
- LMOCSO ：是一种独特的粒子更新技术，用于处理大规模MOPs。它将所有更新的粒子与原始粒子混合，但实验结果表明