化学反应启发的双种群协同进化算法在多目标优化中的创新应用

针对高维多目标优化问题(MaOPs)中收敛性与多样性难以平衡的挑战，研究人员创新性地提出基于化学反应优化(CRO)框架的双种群协同进化算法(DPCRO)。该研究通过分类设计单分子(UE)与双分子(BE)种群分别优化收敛和多样性，并建立协同交互机制，实验证明其在低维和高维优化问题中均具显著竞争力，为复杂工程决策提供新工具。

　　

在人工智能和工程优化领域，多目标优化问题(MOPs)的求解一直是核心挑战。随着实际应用场景的复杂化，如电力系统最优潮流、缓存资源分配等场景中常需同时优化超过三个目标的高维问题——即多目标优化问题(MaOPs)。这类问题的核心矛盾在于：传统多目标进化算法(MOEAs)在目标维度增加时，因非支配解比例激增和种群多样性维持困难，导致搜索能力急剧下降。现有改进方法多聚焦于环境选择策略，却忽视了子代生成机制的创新，而化学反应优化(CRO)独特的碰撞算子恰好为此提供了新思路。

上海的研究团队Weichao Ding等人创新性地将CRO中四种基本碰撞算子分为单分子(强化局部搜索)和双分子(促进全局探索)两类，构建了双种群协同进化算法(DPCRO)。该算法通过独立并行的单分子进化种群(UE)和双分子进化种群(BE)分别优化收敛性与多样性，并设计信息补偿机制实现协同进化。研究采用多组基准测试问题验证性能，成果发表于《Expert Systems with Applications》。

关键技术包括：1) 基于CRO框架设计单分子/双分子碰撞算子分类策略；2) 双种群并行优化架构；3) 收敛-多样性信息补偿机制；4) 多目标测试问题验证体系。

化学反应启发的双种群协同进化算法设计
研究创新点在于将CRO的四种碰撞算子重新分类：单分子操作(包括壁面无效碰撞和分解反应)侧重局部收敛优化，双分子操作(分子间无效碰撞和合成反应)侧重全局多样性探索。两个种群通过定期交换精英个体实现信息共享，其中UE种群向BE传递收敛信息，BE种群则反馈多样性信息，形成动态平衡。

实验验证与性能对比
在DTLZ、WFG等基准测试集上的实验表明，DPCRO在3-15目标问题上均显著优于传统NCRO算法。特别在倒置三角Pareto前沿等复杂场景中，其IGD(反向世代距离)指标平均提升27.6%。消融实验证实双种群协同机制可使超体积指标(HV)提高19.3%。

参数敏感性分析
研究探讨了分解准则α和合成准则β的影响：当α=0.7时收敛速度最优，β=0.4时多样性保持最佳，二者协同作用使算法在MaOPs中表现稳定。

该研究通过化学反应动力学原理重构了多目标优化框架，其双种群协同机制为高维优化提供了新范式。未来可进一步探索动态参数调整策略及在云计算资源调度等实际场景的应用。研究获得上海市基础研究计划(22TQ1400100-16)和国家自然科学基金(62403201)支持。