lhn的博客

DREA：基于多样性排序的多目标优化进化算法参考文献《A diversity ranking based evolutionary algorithm for multi-objective and many-objective optimization》要点引入了参考向量自适应方法来解决帕累托前沿不同形状的问题，并提出了用于管理多样性的多样性排序方法。DREA分别管理收敛性和多样性，用帕累托支配来管理收敛性，用多样性排序来管理多样性。提出了一种多样性排序的方法来纯粹地管理多样性。为了适

RVEA：参考向量引导多目标优化进化算法参考文献《A Reference Vector Guided Evolutionary Algorithm for Many-Objective Optimization》要点本文提出了一种参考向量引导多目标优化进化算法。参考向量不仅可以用于将原始的多目标优化问题分解为多个单目标子问题，而且可以阐明用户偏好，以针对整个Pareto前沿的首选子集作为目标。在提出的算法中，采用了一种称为角度惩罚距离的标量化方法来平衡高维目标空间中解的收敛性和多样性。提出了

IGD±EMOA：基于IGD+的多目标进化算法参考文献《IGD±EMOA：A Multi-Objective Evolutionary Algorithm based on IGD+》要点近年来，在新的多目标进化算法（MOEA）的开发中，基于性能指标的选择机制的设计已成为非常流行的趋势。主要动机是在处理具有四个或更多目标的问题（MaOP）时，基于Pareto的MOEA具有众所周知的局限性。最常用的指标是超体积，主要是因为它具有良好的数学特性（例如，它是唯一符合帕累托标准的一元指标）。但是，超体

基于IGD指标的多目标优化进化算法参考文献《IGD Indicator-Based Evolutionary Algorithm for Many-Objective Optimization Problems》要点反世代距离（IGD）被广泛认为是同时量化MOP和MaOP进化算法的收敛性和多样性的可靠性能指标。本文提出了一种基于IGD指标的进化算法来解决MaOP问题。具体而言，每一代都采用IGD指标来选择具有良好收敛性和多样性的解。此外，设计了一种计算有效的支配比较方法以分配解的等级值以及三

Two_Arch2:改进的双档案多目标优化算法参考文献《Two_Arch2: An Improved Two-Archive Algorithm for Many-Objective Optimization, Handing Wang, Student Member , IEEE, Licheng Jiao, Senior Member , IEEE, and Xin Yao, Fellow, IEEE》要点多目标优化问题（ManyOPs）通常指的是具有三个以上目标的多目标问题（MOPs）。

MaOEA-IBP:带有边界保护的基于指标的多目标进化算法参考文献《An Indicator-Based Many-Objective Evolutionary Algorithm With Boundary Protection：Zhengping Liang , Tingting Luo, Kaifeng Hu , Xiaoliang Ma, and Zexuan Zhu , Member , IEEE》要点多目标优化问题（MaOPs）对传统的基于Pareto的多目标进化算法（MOEAs）

一、免疫系统什么是病毒？病毒是一种简单的生活形式：包裹在保护壳中的一些基因。这些基因是制造新病毒的指令。在细胞外，病毒无法繁殖。但是一旦病毒入侵了活细胞，它就会将该细胞变成病毒工厂。随着时间的流逝，成千上万的新病毒爆发并继续入侵其他细胞。我们的身体如何抵抗疾病？白细胞可抵抗细菌，免疫系统由许多不同种类的白细胞组成。白细胞共同保护我们免受致病细菌的侵害。巨噬细胞识别细菌(识别)：当细菌入侵我们的身体时，巨噬细胞会吞噬细菌并显示其表面形状或抗原，以供其他免疫细胞看到。辅助性T细胞指导防御(指导防

一、群智能群智能（SI）是一种人工智能技术，其基础是研究分散的自组织系统中的集体行为。SI系统通常由一群简单的代理组成，这些代理在本地彼此交互并与其环境交互。尽管通常没有集中的控制结构来指示单个代理的行为方式，但是这些代理之间的局部交互作用通常会导致全局行为的出现。SI的组成：代理、简单行为、交流单个代理的简单行为+一组代理之间的通信=该组代理的新出现的复杂行为二、多代理系统（MAS）代理是自主的：能够独立行动，对内部状态具有控制权代理是一种计算机系统，能够在某些环境中自主行动以实现其设计

LIBEA：一种基于Lebesgue指标的多目标优化进化算法参考文献《LIBEA: A Lebesgue Indicator-Based Evolutionary Algorithm for multi-objective optimization》要点本文提出了一种基于Lebesgue指标的连续盒约束多目标优化问题的进化算法（LIBEA）。与大多数基于超体积的IBEA方法不同，LIBEA隐含地利用了连续MOPs的正则性，这一特性的提出用来解决困难的连续MOPs问题。框架算法1给出了LIBE

R2-IBEA:基于R2指标的多目标优化进化算法参考文献《R2-IBEA: R2 Indicator Based Evolutionary Algorithm for Multiobjective Optimization》要点本文所提出的算法消除了选择中的支配排序，并使用R2指标进行基于指标的选择。R2指标具有量化解或解集的良好性的理想属性。称为R2-IBEA，旨在通过纠正R2指标的固有偏差，获得一套不同的帕累托近似解。R2指标更偏向帕累托前沿的中心，而不是边缘。一、介绍本文的贡献如下：

SRA:基于多指标的多目标优化随机排序算法【点击链接查看更多：点此跳转】【点击链接查看更多：点此跳转】【点击链接查看更多：点此跳转】参考文献《Bingdong Li, Student Member , IEEE, Ke Tang, Senior Member , IEEE, Jinlong Li, Member , IEEE, and Xin Yao , Fellow, IEEE：Stochastic Ranking Algorithm for Many-Objective Optimizati

多目标搜索中基于指标的选择【点击链接查看更多：点此跳转】【点击链接查看更多：点此跳转】【点击链接查看更多：点此跳转】参考文献《Eckart Zitzler and Simon Künzli，Indicator-Based Selection in Multiobjective Search》要点根据二元指标定义优化目标，然后在选择过程中直接使用该度量指标。提出了一种通用的基于指标的进化算法(IBEA)，它可以与任意指标相结合。与现有算法相比，IBEA可以适应用户的偏好，而且不需要使用任何额

基于指标的多目标局部搜索【注：个人博客地址转移至：点此跳转】【注：个人博客地址转移至：点此跳转】【注：个人博客地址转移至：点此跳转】参考文献《M. Basseur and E. K. Burke，Indicator-Based Multi-Objective Local Search》要点提出了一种简单通用的基于指标的多目标局部搜索方法。优化目标是根据定义选择算子的二元指标来定义的。本文提出的方法是为了易于适应和尽可能与参数无关而定义的。一、介绍本文把基于指标的选择原理推广到多目标局部

基于指标的约束多目标进化算法参考文献《Zhi-Zhong Liu , Yong Wang , Senior Member , IEEE, and Bing-Chuan Wang：Indicator-Based Constrained Multiobjective Evolutionary Algorithms》要点研究了将基于指标的多目标进化算法与约束处理技术相结合的可能性和合理性。开发了一个基于指标的CMOEA框架，该框架可以方便地将基于指标的MOEAs和约束处理技术结合起来。一、介绍约束多目

$x+y=z$

参考文献《Siwei Jiang, Jie Zhang, Yew-Soon Ong, Allan N. Zhang, and Puay Siew Tan：A Simple and Fast Hypervolume Indicator-Based Multiobjective Evolutionary Algorithm》要点：基于HV指标的多目标进化算法的瓶颈是测量不同解的HV贡献的高时间复杂度；本文提出了一种简单快速的基于超体积指标的MOEA (FV-MOEA)算法，用于快速更新不同解的精确.

参考文献：《Nicola Beume, Boris Naujoks, Michael Emmerich：SMS-EMOA: Multiobjective selection based on dominated hypervolume》

参考文献：《Hui Li and Qingfu Zhang, Senior Member , IEEE：Multiobjective Optimization Problems With Complicated Pareto Sets, MOEA/D and NSGA-II》要点：研究帕累托集(PS)的形状对进化算法性能的影响;研究多目标进化算法在处理复杂帕累托集(PS)形状的能力;提出了一种基于差分进化的新版本MOEA/D，即MOEA/D-DE;基于分解的多目标进化算法在处理复杂的帕累托集.

参考文献《Yao-Nan Wang, Liang-Hong Wu, Xiao-Fang Yuan: Multi-objective self-adaptive differential evolution with elitist archive and crowding entropy-based diversity measure》MOSADE要点：采用结合帕累托最优的自适应差分进化算法解决多目标优化问题；采用外部精英存档来保存进化过程中的非支配解；采用拥挤熵多样性度量策略来保持帕累托最优的多

差分进化算法种群：生物进化过程中的一个集团，表示可行解。个体：组成种群的单个生物体，表示可行解。适应度：生物群体中个体适应生存环境的能力。评价个体优劣的数学函数，即个体的适应度函数。原理：传统进化方法是用预先确定的概率分布函数决定向量扰动；差分进化算法是用种群中两个随机选择的不同向量来干扰一个现有向量，种群中的每一个向量都要进行干扰。主要操作（1）变异，将种群中两个成员之间的加权差向量加到第三个成员上来产生新的参数向量。（2）交叉，将变异向量的参数与另外预先确定的目标向量参数按一定规则混合来

一、优化问题优化问题：在满足一定条件下，在众多方案或参数值中寻找最优方案或参数值，以使得某个或多个功能达到最优，或使系统的某些性能指标达到最大值或最小值。应用领域：信号处理、图像处理、生产调度、任务分配、模式识别、自动控制和机械设计等。二、人工智能方法进化算法进化计算是一种模拟自然界生物进化过程与机制进行问题求解的自组织、自适应的随机搜索技术。它以达尔文进化论的“物竟天择、适者生存”作为算法的进化准则，并结合孟德尔的遗传变异理论，将生物进化过程中的繁殖（Reproduction）、变异（Mutat