【多目标进化算法】 MOEA/D算法（知识点）

目录

[一、MOEA/D 是什么？](#一、MOEA/D 是什么？)

二、核心思想

多目标问题：

分解思路：

[三、MOEA/D 的基本流程](#三、MOEA/D 的基本流程)

步骤1：初始化

步骤2：迭代演化

步骤3：终止条件

四、总结关键词

---

一、MOEA/D 是什么？

MOEA/D 是一种基于"分解"的多目标优化算法。与 NSGA-II 直接寻找 Pareto 前沿不同，MOEA/D 把多目标问题分解为多个单目标子问题 ，并行地优化这些子问题，从而获得一组 Pareto 最优解。

二、核心思想

将多目标优化问题转化为 多个标量子问题（如加权和、Tchebycheff、PBI 等），然后同时优化它们。

多目标问题：

分解思路：

引入一组权重向量 λ1,λ2,...,λN，将多目标问题分解为多个标量优化问题。

例如用 加权Tchebycheff方法：

其中 z^* 是当前已知的理想点（每个目标的最优值）。

三、MOEA/D 的基本流程

步骤1：初始化

• 构造 N 个均匀分布的权重向量 λ1,...,λN

• 初始化 N 个个体 x1,...,xN，每个对应一个子问题

• 初始化邻居集合：每个子问题找最近的 T个权重向量作为邻居

---

步骤2：迭代演化

对每个子问题 i：

---

步骤3：终止条件

迭代到最大代数后，输出所有个体组成的解集，作为 Pareto 近似解。

四、总结关键词

• 分解（Decomposition）：将多目标问题转化为多个标量问题

• 邻域协同优化：每个子问题与邻居协同进化

• 理想点（Ideal Point）跟踪：动态更新多目标最优参考点

• 适合多目标 (>3)：相较 NSGA-II 更具扩展性