《表2 4种算法在ZDT测试集上的IGD、γ和HV的均值及方差》

  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

《基于自适应反向学习的多目标分布估计算法》

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

从表2中的数据及图1～4可以看出，在两目标测试问题中，AOL-MEDA与RM-MEDA、HWSA-EDA以及IM-MOEA相比，在收敛性和多样性方面都有很大的提升。表2中数据表明，在相同进化代数下，不论是处理凸函数ZDT1还是凹函数ZDT2，AOL-MEDA的性能比对比算法更好；且从图1和图2可以看到AOL-MEDA获得的Pareto解更靠近真实Pareto前沿，解的分布也较均匀。RM-MEDA主要处理连续多目标优化问题，但表2及图3、4表明，改进后的AOL-MEDA相较于对比算法，在处理非连续问题ZDT3以及非均匀的ZDT6测试问题时，仍可以很快收敛到Pareto前沿上，且得到的解集有良好的分布性。从表2中IGD、HV的均值可以看到AOL-MEDA解集的多样性和分布性优于对比算法，在ZDT1和ZDT2中表现更为明显。