基于成功激励机制的双种群约束多目标进化算法及其在不确定多式联运问题中的应用

《Engineered Regeneration》：A Dual-Population Constrained Multi-Objective Evolutionary Algorithm with Success Incentive Mechanism and its application to uncertain multimodal transportation problems

本文提出了一种融合成功激励机制的双种群约束多目标进化算法（DSCMOEA），为解决不确定环境下多式联运路径规划这一多目标、多约束优化问题提供了创新框架。该算法通过优先级编码/解码适配器（使连续域算法能直接处理离散问题）、专用约束处理架构（CHTs）及自适应算子选择机制，有效协同优化成本、碳排放与时间（CMOPs）。实验证明其性能优于八种先进算法，对推动低碳物流（CO2）及复杂运输系统优化具有重要价值。

　　

Highlight

本文亮点在于提出了一个新颖的算法框架DSCMOEA，它巧妙地将三种关键创新融为一体：一个通用的基于优先级的编码/解码适配器、一个专门的约束处理架构，以及一个自适应算子选择机制。这个适配器是框架的核心，它使得连续域的进化算法能够在不进行内部修改的情况下解决离散的运输问题。这种方法还通过多场景模拟环境，提供了处理各种不确定性范式的多功能性。实验分析验证了所提出算法相对于八个成熟竞争对手的优越性，证明了其在不确定性下解决复杂多式联运问题的有效性。

简要描述

与在简单图上进行传统路径规划相比，多式联运网络中的路径规划是一项重大挑战，这源于其复杂的结构和众多的约束。该问题的NP难性质是众所周知的。因此，虽然精确算法对于大规模实例通常在计算上不可行，但元启发式算法对于寻找高质量的近似解至关重要。

然而，一个挑战源于...

实验环境与实验参数

本文中进行的实验是使用MATLAB R2023a在Windows 11系统上进行的，该系统配备了第13代英特尔酷睿i7-13700K处理器（3.40 GHz）和32 GB内存。采用了多目标优化中三个常用指标，即超体积（HV）、C度量（CM）和反向世代距离+（IGD+），以评估算法的收敛性和多样性。为了进行比较，使用了四种非专门为约束问题设计的MOEA...

结论

本文介绍了一个全面的算法框架DSCMOEA，旨在解决不确定多式联运路径优化中的若干持久性挑战。为了解决将连续元启发式算法应用于此离散问题的困难，提出了一种新颖的基于优先级的编码和解码方法，该方法可作为各种搜索操作器的通用适配器。为了有效管理问题的复杂约束，采用了一种基于分解的双种群约束处理架构...