《表1 0 3种算法在DTLZ4函数上进行IGD+性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种基于分解和协同的高维多目标进化算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

通过上面的实验，验证了MaOEA/DCE算法总体上具有较显著的收敛性、多样性和鲁棒性优势，表明了利用混合水平正交实验设计方法产生适当规模且均匀分布的权重向量的策略，以及将差分进化算子和自适应SBX算子进行协同以产生高质量的后代个体的方法相结合，有效地提高了算法的整体性能.为了进一步验证差分进化算子和自适应SBX算子进行协同进化的有效性，设计如下实验方案:首先，基于MOEA/D算法框架构造3种算法B1、B2和B3，并将这3种算法分别在4目标、10目标和30目标的DTLZ{1，2，4，5}测试函数集上进行IGD+性能指标的比较.需要说明的是，这里的B1算法指采用差分进化作为变异算子算法，B2算法指使用自适应SBX算子作为变异策略的算法，B3算法为运用本文提出的差分进化和自适应SBX算子相互协同的算法.实验中，3种算法除了所使用的变异策略不同以外，这些算法的其他要素是相同的.表8～表11分别给出了B1、B2和B3这3种算法分别在DTLZ1、DTLZ2、DTLZ4和DTLZ5系列函数上获得的IGD+指标值.为了减少随机误差对统计结果的影响，这里所有的实验各执行30次.