基于双种群协同进化与双档案策略的约束多目标优化算法研究及其应用

针对约束多目标优化问题(CMOPs)中可行域狭窄、收敛困难的挑战，研究人员提出了一种双种群双档案协同进化算法(DPTAC)。该算法通过主种群逼近真实Pareto前沿(CPF)，辅助种群探索无约束Pareto前沿(UPF)，结合档案存储机制和种群剔除策略，显著提升了在复杂约束条件下的优化性能。实验证明DPTAC在62个基准函数和6个实际问题上优于9种先进算法，为工程优化提供了新思路。

　　

在现实世界中，机器人抓取器优化、无人机实时路径规划和风电场布局等工程问题往往涉及多个相互冲突的目标和复杂约束条件，这类约束多目标优化问题(CMOPs)的求解一直是计算智能领域的重大挑战。现有进化算法(EA)在处理狭窄、离散的可行域时容易陷入局部最优，难以平衡收敛性、多样性和可行性之间的关系。特别是当无约束Pareto前沿(UPF)与约束Pareto前沿(CPF)存在复杂空间关系时（如UPF完全位于不可行区域的情况），传统方法更是捉襟见肘。

辽宁省教育厅基础研究项目支持的研究团队在《Engineering Applications of Artificial Intelligence》发表的研究中，创新性地提出了双种群双档案协同进化算法(DPTAC)。该算法通过主种群(Mpop)和辅助种群(Hpop)的协同演化，结合约束档案(CArc)和无约束档案(UArc)的信息交互，成功解决了CMOPs中的"可行性-多样性-收敛性"三难问题。研究显示，DPTAC能有效穿越大规模不可行区域，在62个测试函数和6个实际工程问题上均表现出色。

关键技术方法包括：1) 双种群协同进化框架，主种群考虑约束条件而辅助种群忽略约束；2) 双档案策略分别保存非支配不可行解和辅助种群优质解；3) 动态种群剔除机制优化计算资源分配；4) 采用5个标准测试集和6个实际工程问题进行验证。

研究结果部分显示：
Outline of DPTAC：算法框架通过Mpop和Hpop的协同演化，配合CArc和UArc的信息存储，实现了对CPF和UPF的并行探索。
Analysis of DPTAC：在LIRCMOP12测试函数上，早期发现可行域边界，中期穿越不可行区域，后期实现种群完全收敛至CPF。
Experimental setup：对比9种先进CMOEAs，在MW、LIR-CMOP等测试集上IGD(反向世代距离)指标平均提升15.7%。

结论指出，DPTAC的创新性体现在三个方面：首先，双种群架构实现了约束与无约束空间的协同搜索；其次，档案策略保留了跨越不可行区域的关键信息；最后，动态资源分配机制显著提升了算法后期性能。该研究为复杂工程优化问题提供了新范式，特别是在可行域狭窄的CMOPs中展现出独特优势。未来工作可进一步探索档案信息的自适应更新策略，以及在动态环境下的应用扩展。